A Survey on Wireless Device-free Human Sensing: Application Scenarios, Current Solutions, and Open Issues
Notice bibliographique
Résumé
In the last decade, many studies have significantly pushed the limits of wireless device-free human sensing (WDHS) technology and facilitated various applications, ranging from activity identification to vital sign monitoring. This survey presents a novel taxonomy that classifies the state-of-the-art WDHS systems into 11 categories according to their sensing task type and motion granularity . In particular, existing WDHS systems involve three primary sensing task types. The first type, behavior recognition , is a classification problem of recognizing predefined meaningful behaviors. The second type is movement tracking , monitoring the quantitative values of behavior states integrating with spatiotemporal information. The third type, user identification , leverages the unique features in behaviors to identify who performs the movements. The selected papers in each sensing task type can be further divided into sub-categories according to their motion granularity. Recent advances reveal that WDHS systems within a particular granularity follow similar challenges and design principles. For example, fine-grained hand recognition systems target extracting subtle motion-induced signal changes from the noisy signal responses, and their sensing areas are limited to a relatively small range. Coarse-grained activity identification systems need to overcome the interference of other moving objects within the room-level sensing range. A novel research framework is proposed to help to summarize WDHS systems from methodology, evaluation performance, and design goals. Finally, we conclude with several open issues and present the future research directions from the perspectives of data collection , sensing methodology , performance evaluation , and application scenario .
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.
Comment cette classification a été obtenuedéplier
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».