摘要
摘要：人类活动识别(HAR)是许多应用中的一项重要任务， 例如智能家居， 运动分析， 医疗保健服务等。涉及计算机视觉和惯性传感器的人类活动识别的流 行模式在解决 HAR 的文献中， 但是， 它们在不同的照明， 背景， 杂乱， 突兀性和 其他因素方面面临严重的限制。近年来， 基于 WiFi 信道状态信息(CSI) 的活动 识别因其易于部署和成本效益等诸多优势而发展势头迅猛。这项工作提出了 CSITime，一种改进的 InceptionTime 网络架构，一种基于 CSI 的人类活动识别 的通用架构。我们将 CSI 活动识别视为一个多变量时间序列问题。 CSITime 的方 法论有三个方面。首先， 我们使用两种标签混合策略预处理 CSI 信号， 然后进行 数据增强， 以增强神经网络的学习。其次， 在 CSITime 的基本块中， 来自多个卷 积内核的特征被连接起来并通过一个自注意层，然后是一个具有 Mish 激活的全 连接层。 CSITime 网络由六个这样的块组成， 然后是全局平均池化层和最终的全 连接层， 用于最终分类。第三， 在神经网络的训练中， 我们没有采用提前停止等 一般的训练程序， 而是使用单周期策略和余弦退火来监控学习率。所提出的模型 已经在公开可用的基准数据集、 ARIL、StanWiFi 和 SignFi 数据集上进行了测 试。所提出的CSITime在ARIL、StanWiFi 和 SignFi 数据集上分别实现了98.20%、 98%和 95.42%的准确率，用于基于 WiFi 的活动识别。这比 ARIL，StanWiFi 和 SignFi 数据集的最新精度分别提高了 3.3%，0.67%和 0.82%。在 SignFi 数据集 的实验室 5 用户场景中，该数据集具有来自不同分布的训练和测试数据，我们 的模型实现的准确率比最先进的模型高 2.17%，这表明我们的模型具有相对稳健
出版日期
2023年07月29日（中国期刊网平台首次上网日期，不代表论文的发表时间）
