该研究提供了一个包含多个环境、不同硬件、13 个主体和 13 个小时的 IEEE 802.11ac 信道数据集，以测试人体识别和人数统计算法的 WiFi 移动检测技术。

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

本文提出了一种新的大规模 WiFi 感应框架，名为 EfficientFi，通过边缘计算和云计算结合的方式，可以高效地压缩和还原 WiFi 信道信息，实现了准确的无设备人体活动感应，并在智能家居应用中实现了大范围的 WiFi 感应。

Apr, 2022

本文提出了 MM-Fi，这是第一个多模态、非侵入式的 4D 人员数据集，通过利用 LiDAR、毫米波雷达和 WiFi 信号等技术，来桥接无线感知和高级人员任务，支持人体姿态估计和动作识别等潜在感知任务。

May, 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

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

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