Channel Selective Activity Recognition with WiFi: A Deep Learning Approach Exploring Wideband Information
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
WiFi-based human activity recognition explores the correlations between body movement and the reflected WiFi signals to classify different activities. State-of-the-art solutions mostly work on a single WiFi channel and hence are quite sensitive to the quality of a particular channel. Co-channel interference in an indoor environment can seriously undermine the recognition accuracy. In this paper, we for the first time explore wideband WiFi information with advanced deep learning toward more accurate and robust activity recognition. We present a practical Channel Selective Activity Recognition system (CSAR) with Commercial Off-The-Shelf (COTS) WiFi devices. The key innovation is to actively select available WiFi channels with good quality and seamlessly hop among adjacent channels to form an extended channel. The wider bandwidth with more subcarriers offers stable information with a higher resolution for feature extraction. Conventional classification tools, e.g., hidden Markov model and k-nearest neighbors, however, are not only sensitive to feature distortion but also not smart enough to explore the time-scale correlations from the extracted spectrogram. We accordingly explore advanced deep learning tools for this application context. We demonstrate an integration of channel selection and long short term memory network (LSTM), which seamlessly combine the richer time and frequency features for activity recognition. We have implemented a CSAR prototype using Intel 5300 WiFi cards. Our real-world experiments show that CSAR achieves a stable recognition accuracy around 95 percent even in crowded wireless environments (compared to 80 percent with state-of-the-art solutions that highly depend on the quality of the working channel). We have also examined the impact of environments and persons, and the results reaffirm its robustness.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle