本研究综合分析了基于不同种类的 SSL 算法在 WiFi CSI 基础上人体行为识别中的潜力，并通过对三个公开数据集的评估，揭示现有工作中的局限性和盲点，为实际应用和未来研究提供了有价值的指导。

Jul, 2023

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

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

基于 WiFi 信道状态信息（CSI）的无线人体活动识别（HAR）通过保护视觉隐私，在空间受限的环境中实现了无接触、远距离感知。本研究评估了基于 ESP32-S3 芯片的 4 种 2.4GHz 定向天线系统，以促进墙壁背后的远距离人体活动识别，提出了两种有前景的系统：一种是将 ESP32-S3 与定向双平截头天线结合，另一种则通过平面反射器实现方向性，并通过 ESP32-S3 的内置印刷倒 “F” 天线（PIFA）进行识别。在实验环境中，使用 Wallhack1.8k 数据集（包含 1806 个人体活动的 CSI 幅度谱图）对两种系统的直视和非直视条件下的人体活动识别性能进行综合评估，所提出的系统在非直视条件下的精度分别达到 92.0$pm$3.5 和 86.8$pm$4.7，证明了实现墙壁背后的长距离人体活动识别的可行性。

Jan, 2024

本研究提出了一种基于注意力机制的 CSI（Channel State Information）用于深度神经网络的鲁棒特征学习，在铁路环境中的表现优于使用基础 DNN。

Mar, 2022

本文介绍了一种名为 Collaborative Self-Supervised Learning（ColloSSL）的新技术，利用用户多个设备收集的未标记数据来学习数据的优质特征，实验结果表明，ColloSSL 在多个实验设置中均优于全监督和半监督学习技术，与最佳基准测试成绩相比，F_1 得分的绝对增量最高达 7.9％；此外，ColloSSL 在低数据情况下也表现优异，仅利用最佳情况下可用的十分之一的标记数据即可优于全监督方法。

Feb, 2022

在本研究中，我们提出了一种对抗自我训练一致性框架 (AstMatch)，通过设计对抗一致性正则化方法增强知识传递，并在不同扰动强度下增强预测一致性，应用特征匹配损失进行对抗训练以获得高层一致性正则化，并引入金字塔通道注意力和高效通道空间注意力模块改进鉴别器性能，在众多半监督学习方法和三个公开数据集上进行广泛评估实验结果显示，AstMatch 的表现优于现有方法，达到了新的最优性能。

Jun, 2024

本文研究自监督学习在传感器人体活动识别中的应用，并分析了两个最近的自监督学习框架 SimCLR 和 VICReg 的深层表示，比较了监督和自监督模型对输入数据噪声的鲁棒性，并通过可解释性方法探索了 SSL 和监督表示中编码的性质。研究表明，自监督学习表示比监督模型更加鲁棒，但监督模型学习到的特征更加均匀且更好地编码了活动的性质。

Apr, 2023

该研究提出了一种名为对比特征对齐 (CFA) 的解决方案，旨在学习具有稳健性的不变表示形式，通过联合分类损失和通道加权平均平方误差 (CWMSE) 损失来训练模型，以获得逐步学习不变目标表示的能力，该方法在 MSTAR 数据集和六种 DNN 模型上得到了广泛评估，并成功证明其在不熟悉的环境中识别目标的效能

Apr, 2023

本研究中，我们利用自监督学习范式 (SSL) 来学习未标记数据的深层次特征表达，提出了一种用于人类活动识别的动态时间规整 (DTW) 算法，强制特征在时间维度上对齐。我们的实验结果显示，该方法对于单一模态和多模态的情况均具有学习稳健特征表达的潜力，并在半监督学习中明显优于监督模型。

Oct, 2022