本研究基于 Wi-Fi CSI 研究人体活动识别，提出一种使用深度学习方法的系统，并比较了卷积神经网络、长短期记忆网络和混合模型的效果，结果表明 LSTM 的平均准确率达到 95.3％，相比 CNN 和混合技术更加有效，未来需要在不同的复杂环境中研究其稳健性。

Apr, 2023

本文采用深度神经网络从 60 GHz 毫米波单板天线信号中提取空间波束信噪比特征用于手势识别，结果显示在单一环境下，深度学习分类器的波束信噪比识别的准确率达到了 96.7％，充分证明了该信号可以用于高速通信和增强现实应用中。

Jun, 2023

提出了一种新颖的基于 TCN-AA 的方法，该方法结合增强和注意力机制，具有更高的计算效率和准确率，在公共数据集上的表现优于现有技术，最终准确率为 99.42%。

May, 2023

本研究提出了一种新型的人体步态识别方法，名为 GaitFi，该方法利用 WiFi 信号和视频进行人体识别，其中 Channel State Information 可以捕捉人体步态，经实验证明 GaitFi 表现较好，可达到 94.2% 的人体识别准确率。

Aug, 2022

本文通过使用无线电波通信的 WiFi 接入点提供的信道状态信息，设计了一个无需摄像头设备的人体检测系统，通过提取时间序列中的特征，并使用动态和静态（DaS）数据预处理技术来提取人的运动和空间特征，利用投票机制解决了房间隔板带来的信号衰减问题，使得我们的 TCD-FERN 系统在多个房间环境下使用较少的 WiFi 接入点就可以有效地实现人体检测。

Apr, 2023

该论文介绍了一种名为 HID 的新任务，旨在通过在同一模型中检测主体、识别人 - 人互动，并根据他们的互动关系对人进行分组，以此全面了解视频流中感兴趣的人 - 人互动，还在 AVA 数据集基础上建立了一个新的 HID 基准，称为 AVA-Interaction (AVA-I)，并描述了一个新的基线方法 SaMFormer，该方法表现出在 AVA-I 上的优越性。

Jul, 2023

通过学习传感器之间的显式共同触发关系，我们提出了一种新颖的图导向神经网络方法，该方法通过将离散的输入传感器测量映射到特征空间，应用注意机制和节点嵌入的分层汇聚，在 CASAS 数据集上进行实验证明了我们提出的方法在智能家居人体活动识别方面优于现有方法，并将其推向更接近真实世界应用的方向。

Nov, 2023

本文研究 WiFi 信号在家庭医疗场景中实时监测日常活动的应用。研究发现，在实际环境中由于环境、受试者和系统设置的变量，WiFi 基于活动识别的准确性和适应性存在挑战。通过在各种环境中部署系统和分析数据变化，本研究旨在指导对老年护理进行实际开发的稳健、上下文感知的 WiFi 感应系统。研究结果表明，WiFi 基于活动感知正在从学术研究向实际应用的过渡中，通过技术提高生活品质。

Feb, 2024

本文提出了一种利用无线电信号生成可见光图像的新方法，采用双分支生成神经网络使用跨模态监督策略对视觉域内的基于信号的特征进行条件化，最终仅使用 Wi-Fi 信号成功地合成了人类轮廓和骨架视频。

Mar, 2022

本研究提出一种基于 Wi-Fi 信号的无设备自我隔离监测系统，利用卷积神经网络进行房间占用检测和人类活动识别，平均准确率可达 98.19％，降低了 54.04％的推理延迟。

May, 2023