80MHz Wi-Fi 通道用于无线人体感应的 CSI 数据集
基于 WiFi 的多人活动感知的首个数据集 WiMANS 在多个环境中监测了多个用户的同时活动,并包括双 WiFi 频段的信道状态信息以及视频,用于评估 WiFi 和基于视频的人类感知模型的性能,为多用户识别、本地化和活动识别提供新的挑战和机会。
Jan, 2024
开发了一种方法,使用生成对抗网络 (GAN) 在现有数据集上生成了 3 万个合成的毫米波通道状态信息(CSI)样本,这些样本与原始数据展现出极高的一致性,将这些增强样本与真实数据结合使用以训练姿势分类模型,观察到增强样本对模型的泛化能力产生了积极的改进。
Jun, 2024
基于 WiFi 信道状态信息(CSI)的人类活动识别实现了室内的非接触和视觉隐私保护感知。然而,由于环境条件和传感硬件的变化导致模型推广能力较差,这是该领域一个众所周知的问题。为了解决这个问题,在本研究中将常用于基于图像学习的数据增强技术应用于 WiFi CSI,探究它们对跨场景和跨系统设置下模型推广能力的影响。特别关注了直视(LOS)和穿墙非直视(NLOS)场景之间以及不同天线系统之间的推广能力,此前研究较少。我们收集并公开了一个人类活动 CSI 振幅谱图的数据集。利用这些数据,进行了一个消融研究,使用 EfficientNetV2 架构训练了基于活动识别模型,从而评估每种数据增强技术对模型推广能力的影响。实验结果显示,应用于 CSI 振幅数据的特定数据增强技术组合可以显著提高跨场景和跨系统的推广能力。
Jan, 2024
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
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
本文介绍了一种新的通道声纳架构,可测量不同频段、天线几何和传播环境下的多天线和多子载波通道状态信息(CSI),该架构可用于进行不同应用程序的各种深度学习(DL)技术研究,例如在三维空间中的室内用户定位。通过室内室外的广泛测试,可以提供更全面的开放 CSI 数据集,并标记位置以供科学界进一步测试各种算法。
Oct, 2018
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
本文介绍了近年来 WiFi sensing 技术的进展,提出了一个名为 SenseFi 的公共基准,并对比了不同的深度学习模型,旨在研究不同的实验任务、WiFi 平台、识别准确度、模型大小、计算复杂度、特征可迁移性以及非监督学习的适应性。它还被视为一个基于深度学习的 WiFi sensing 教程,从 CSI 硬件平台到传感算法开始。作为首个带有开源库的 WiFi sensing 深度学习基准,这项研究为实际应用提供了深层模型设计、学习策略技巧和训练方法的经验。
Jul, 2022
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
本文提出了一种基于 Wi-Fi 信号的人体移动监测技术,通过开发神经网络模型,能够识别人际交互行为并在实时环境下呈现监测结果。
Feb, 2022