基于CSI数据和CNN-时间注意力网络的轻量级隐私保护人类活动识别

《Digital Discovery》：Lightweight privacy-preserving human activity recognition from CSI data using a CNN-temporal attention network

　　

研究人员提出一个端到端隐私保护的基于信道状态信息（CSI）的人类活动识别（HAR）框架，该框架集成了卷积神经网络（CNN）与时间注意力机制。研究人员在多个基准数据集上进行了广泛评估，这些数据集包含不同的距离、高度因素以及环境条件。基线非隐私保护的CNN-时间注意力模型达到了最先进的性能。此外，研究人员将差分隐私（DP）引入训练流程——通过受控噪声注入和梯度裁剪实现严格的隐私保证。研究人员评估了所提出框架的隐私-效用权衡，并证明即使强隐私保护也能保持优异的识别准确率。对于某些参数范围，该框架能逐步接近非隐私保护的性能。因此，研究人员的实验结果清楚地表明，所提出的架构在隐私约束下保持鲁棒性，并在异构感知条件下有效泛化。研究人员认为，这项工作为在实际HAR应用中部署安全且隐私感知的WiFi感知系统提供了实用见解。

**论文解读文章**

**研究背景、现存问题与开展本研究的动机**

人类活动识别（Human Activity Recognition, HAR）在智能家居、医疗监护、辅助生活等领域具有重要应用价值。传统基于视觉或可穿戴传感器的HAR方法受限于光照条件、视线（Line-of-Sight, LOS）约束、用户需持续佩戴设备或处于摄像头视野内等问题，且会暴露用户的敏感视觉信息或行为模式，引发严重隐私担忧。近年来，基于WiFi信道状态信息（Channel State Information, CSI）的HAR作为一种无设备替代方案兴起，通过细粒度的多径传播信息实现无接触活动识别，但对CSI数据的攻击（如模型反转、成员推断）仍可能泄露用户隐私。现有深度学习HAR模型多依赖递归架构（如RNN、LSTM），计算开销大，且缺乏形式化的隐私保护机制。为此，研究人员提出一种轻量级、隐私保护的CSI-HAR框架，将差分隐私（Differential Privacy, DP）与CNN-时间注意力网络结合，以期在保证识别精度的同时提供可量化隐私保障，为真实世界部署提供实用方案。该论文发表在《Digital Discovery》。

**研究人员开展的研究、结论与意义**

研究人员提出了一个端到端的轻量级CNN-时间注意力架构，避免使用递归网络，有效建模CSI序列的时序动态；并集成基于高斯机制的差分隐私训练，通过梯度裁剪和噪声注入实现(ε, δ)-DP保证。在三个公开基准数据集（CSI-HAR、WiAR、CSLOS）上，针对不同距离、天线高度和环境条件进行广泛评估。结论表明：非隐私基线的CNN-时间注意力模型达到最先进性能；引入DP后，在强隐私保护（ε ≤ 12）下准确率仅下降7–9%，且部分参数设置下可接近非隐私性能；框架在不同传感条件下保持鲁棒性和泛化能力。该研究的意义在于证明了通过精心设计算法和模型，可在CSI-HAR中同时实现高精度、高效率与形式化隐私保护，为实际WiFi感知系统的安全部署提供了实证依据。

**关键技术方法概述（不超过250字）**

研究人员采用的主要关键技术方法包括：（1）**数据预处理与增强**：将CSI样本统一截断至最小长度，进行z-score归一化，再通过滑动窗口（窗口128帧，步长32）提取重叠片段，并注入高斯噪声（σ_n=0.03）增强鲁棒性。（2）**轻量级CNN-时间注意力模型**：两个一维卷积层（核大小5和3）沿时间维度提取局部特征，后接组归一化（GroupNorm）和ReLU激活；最大池化降采样；时间注意力模块自适应加权时间步，聚合为固定长度表示；全连接层输出分类。模型仅58?824个参数，约0.22 MB。（3）**差分隐私训练（DP-SGD）**：使用Opacus框架，对每个样本梯度进行L₂范数裁剪（固定阈值C=1.0），并添加高斯噪声（σ=1.0），保证(ε, δ)-DP（δ=10^-5）。数据集来源：CSI-HAR（7类活动）、WiAR（12类/16类活动，含距离与高度子集）、CSLOS（三个不同室内环境的LOS/NLOS场景）。

**研究结果**

- **5.1 在WiAR数据集上的评估**
- **5.1.1 距离变化的影响**：非DP下，1m准确率95%，3m降至94%，6m回升至96%；DP下（ε=12），各距离准确率约85–88%。隐私-效用曲线显示低ε降低精度，高ε接近非DP基线。
- **5.1.2 高度变化的影响**：非DP下，60cm、90cm、120cm准确率分别为99%、97%、99%；DP下为92%、91%、93%。同样，ε减小导致精度下降。

- **5.2 在CSLOS数据集上的评估**：三个不同室内环境的非DP准确率为94%、90%、93%；DP下分别为89%、82%、87%。环境2（最复杂）的DP下降稍大，但整体仍合理。

- **5.3 在CSI-HAR数据集上的评估**：非DP准确率98%；DP下91%。隐私-效用曲线趋势与之前一致。

- **5.4 训练样本量的影响**：增加训练样本量同时提升准确率并降低隐私预算ε，实现隐私放大（privacy amplification）的双重收益。

- **5.5 消融分析**：完整模型（双层卷积+注意力）准确率97.84%；仅单层卷积降至94.38%；移除注意力模块降至93.65%，证明多层卷积与注意力均不可或缺。

- **5.6 边缘部署与计算效率分析**：模型仅58?824参数，0.22 MB，FLOPs 5.29 M，延迟2.071 ms，吞吐量482.81样本/秒，适合资源受限设备。

- **5.7 与现有研究比较**
- **5.7.1 非隐私设置**：相较于GraphHAR（4.95M参数）等复杂模型，所提模型以极低参数和计算量（0.22 MB）在7/12/16类活动上取得竞争性精度（约94–99%）。
- **5.7.2 隐私设置**：与已有DP-HAR方法（如TEMPDIFF、Bigelli等）相比，所提方法在7–16类活动下准确率下降仅7–9%，优于文献中的9–15%下降；在CSLOS Env.1上准确率下降5.3%（ε=12），低于对比方法的6.5–10%。

**总结讨论部分与翻译研究结论**

**讨论总结**：研究人员提出的轻量级隐私保护CSI-HAR框架在分类精度、鲁棒性和泛化性方面取得平衡。DP引入的7–9%精度下降符合理论预期（DP-SGD的梯度裁剪与噪声注入），但即使在强隐私（ε≤12）下仍保持优异F1分数，表明CSI表示在DP噪声下仍保留足够判别结构。模型在不同距离、高度和环境下的鲁棒性突出：远场稳定多径成分仍编码有效活动扰动；注意力机制对建模CSI时序动态至关重要，且比递归架构更轻量、对梯度噪声更不敏感。训练样本量分析表明，增加数据可同时提升性能和隐私（隐私放大），适度ε（如≤12）可实现实际隐私-效用平衡。未来方向包括自适应DP、多用户实时HAR、联邦学习、领域适应、多模态感知等。局限性：仅在公开数据集（预定活动脚本）上评估，未测试自然无约束活动；未包含专用硬件实现；未进行跨环境泛化测试（训练与测试环境不同）；未评估成员推断等实证攻击。

**研究结论翻译**：在本工作中，研究人员提出了一个轻量级且隐私保护的基于CSI的HAR框架，该框架集成了CNN-时间注意力架构与差分隐私感知训练。所提架构有效建模时序CSI动态，无需依赖计算昂贵的递归网络，因此适用于资源受限和隐私敏感环境。在多个公开数据集和异构感知条件下的广泛评估表明，在提供严格(ε, δ)-DP保证的同时，可以实现优异的识别性能。研究人员的调查表明，DP训练仅带来适度的性能下降（7–8%），同时显著增强了对推断攻击的防护。此外，在距离、天线高度和环境变化下的鲁棒性突显了该框架在实际WiFi感知应用中的实用性。尽管研究人员采用了标准DP-SGD，但设计一种利用OFDM子载波结构、感知CSI的隐私机制是改进隐私-效用权衡的重要方向。另外，研究人员报告了详细的计算效率指标，在物理边缘设备（如Raspberry Pi或Nvidia Jetson平台）上评估模型仍是未来工作的重要方向。总体而言，该工作提供了实证证据，证明当隐私被作为一流设计约束时，可以实现准确、高效且隐私感知的基于CSI的HAR。