摘要
随着物联网和人工智能技术的快速发展，人体行为感知在安全监控、智能家居、人机交互等领域应用越来越多，其相关技术也成为研究热点之一。相比于计算机视觉、专用传感器等传统技术，基于Wi-Fi信号的行为感知技术具有非接触式、成本较低及隐私保护更好等优势，近年来受到研究者的广泛关注。然而，在实际场景中，由于环境的复杂性及无线信号的高动态性，往往会导致基于Wi-Fi信号的行为感知模型检测精度下降。因此，如何有效获取反映人体行为的感知数据，并设计具有高精度的人体行为识别模型是实现Wi-Fi行为感知的关键。 本文主要研究内容如下: (1)针对现有基于Wi-Fi信号行为感知识别模型对数据特征提取不充分，识别准确率低等问题，本文提出一种新颖的CSI数据表达方式——CSI频谱图。区别于时序数据，CSI频谱图能够展现出人体不同行为的频率变化，并且可以充分利用卷积神经网络对图像特征提取的优势，提升模型对行为识别的精度。 (2)针对当前人体行为识别深度神经网络模型参数量大导致的训练困难及实时性低等问题，本文提出一种新的深度神经网络模型——GreedNet。该模型以CSI频谱图作为输入，采用非对称卷积核，利用多尺度特征提取技术捕获更多层次的图像特征，然后将特征进行有效融合，以提高人体行为识别的准确率。实验结果表明，GreedNet与已有的人体行为识别模型相比，不仅拥有更少的参数量，而且具备更高的准确率和鲁棒性。 综上，本文提出一种新颖的CSI数据表达方式---CSI频谱图，实现了人体行为特征的精准提取;构建了一个以CSI频谱图作为输入的多尺度、轻量级人体行为识别神经网络模型GreedNet。实验结果表明，该模型在大幅缩减参数规模实现轻量化的同时，仍能达到较高的识别精度。
NETL