A WiFi-Based Method for Recognizing Fine-Grained Multiple-Subject Human Activities
Notice bibliographique
Résumé
Device-free human activity recognition (HAR) has gained attention in recent years. While much has been done in coarse-grained HAR, the recognition of fine-grained human activities is still a research challenge. In this paper, we present a novel method to combine Channel State Information (CSI) and Received Signal Strength Indicator (RSSI) signals at the feature level to improve the performance of device-free fine-grained HAR using WiFi data. We extract 7 CSI and 3 RSSI non-segmented frequency domain features, 12 segmented time-domain features, and 5 segmented frequency-domain features to select the feature set. We evaluate our method using a dataset containing 12 human-to-human fine-grained interactions. We utilized various classification methods like Support Vector Machine (SVM), Gaussian Naïve Bayes (GNB), Decision Tree (DT), Logistic Regression (LR), Linear Discriminant Analysis (LDA), K-Nearest Neighbors (KNN), and Random Forest (RF) using the feature set as input. Our evaluation result yields 94.16% of accuracy, 94.3% of precision, 94.24% of recall, 94.13% f1-score, 93.18% of k-score, and 95.91% AUC in recognition of 7 human-to-human interactions using RF.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».