Characterization and Selection of WiFi Channel State Information Features for Human Activity Detection in a Smart Public Transportation System
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
Robust methods are needed to detect how people are moving in smart public transportation systems. This paper proposes and characterizes effective means to accurately detect passengers. We analyze a public WiFi-based activity recognition (WiAR) dataset to extract human activity features from Channel State Information (CSI) data. To do so, CSI power changes caused by nearby human activity are analyzed. Our method first extracts multi-dimensional features using a Short-Time Fourier Transform (STFT) of CSI data to capture the relevant signal features. Since the environment of a transportation system changes dynamically and non-deterministically, we propose analyzing these changes with a heuristic algorithm that leverages a decision tree to automate a decision-making solution for feature selection. Principal Component Analysis (PCA) is performed before the decision tree algorithm. Reported results are compared with those obtained from the existing methods. Based on these results, we explore the effectiveness of various features such as the chirp rate, delta band power, spectral flux, and frequency of movement. This allows identifying and recommending the most effective features for the explored detection task according to observed variability, information gain, and correlation between features. The reported classification results show that using only the chirp rate generated from CSI information as a feature, we achieve precision = 83%, True Positive (TP)=94%, True Negative (TN)=91% and F1-score = 87%. Considering delta band power as an additional feature adds more information and allows getting higher performance with precision = 100%, TP=97%, TN=95% and F1-score = 95%.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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