WiFi-szenzorok 94,87%-os pontossággal ismerik fel a mozgást — új mélytanuló keretrendszerrel

Az emberi mozgás WiFi-jelekkel történő felismerése (Human Activity Recognition, HAR) forradalmasítja az okosotthonokat, az egészségügyi megfigyelést és a biztonsági rendszereket. A kamerákkal ellentétben ez a technológia nem sérti a magánszférát, és rossz fényviszonyok mellett is működik. A hordható szenzorokkal szemben pedig nem igényel folyamatos viselést vagy felhasználói beavatkozást.

A kutatók a Wallhack1.8k WiFi-spektrogram adatkészleten három tevékenységet — „Nincs jelenlét”, „Séta” és „Séta + karmozgás” — vizsgáltak. A WISE-HAR keretrendszer három kulcsfontosságú fejlesztést vezetett be a pontosság növelése érdekében. Először is, a teljesítményingadozás csökkentésére öt különböző konvolúciós neurális hálózat (CNN) architektúrát — Deep CNN, Wide CNN, MobileNetV2, ResNet50V2 és EfficientNetB0 — kombináltak egy ensemble módszerrel.

Kapcsolódó: zajos adatok feldolgozása

A WiFi-szenzorok új dimenziója

Másodszor, a korlátozott adathalmaz méretének problémáját agresszív adatbővítési technikákkal orvosolták, beleértve az időtorzítást (time-warping), a frekvenciamaszkolást (frequency masking) és zajhozzáadást. Ez a Random Forest modell teljesítményét 60%-ról 95%-ra emelte.

Kapcsolódó: párhuzamos FL-feladatok

Harmadszor, a valós idejű általánosíthatóság tesztelésére forgatókönyv-átfedéses (cross-scenario) és antenna-átfedéses (cross-antenna) kiértékelést végeztek. A modell a Line-of-Sight (LOS) forgatókönyvben Biquad antennával 94,87%-os pontosságot ért el, ami 0,66%-kal múlta felül a legjobb önálló modellt.

Kapcsolódó: robotikai tanulás

Az áttörés kulcsa

Az eredmények azt mutatják, hogy a WISE-HAR robusztus, megbízható és alkalmas a különböző környezetekben, eltérő hardverkonfigurációkkal történő bevetésre. A Stanford és a Google Robotics közös tanulmányaként az arXiv-on 2024. március 10-én jelent meg.

Kapcsolódó: robotnavigáció