Communication-aided Terahertz Sensing: A Novel Indoor People Counting System Via Deep Learning
Notice bibliographique
Résumé
Indoor people counting systems are used in security monitoring, energy management, room resources adjustment, market research, and smart homes. However, the existing radio-frequency-based indoor people counting systems use a different frequency than the utilized radio frequency communication signal, which adds more costs for system deployment and wastes the radio frequency resources. This paper introduces a novel communication-aided terahertz (THz) sensing approach for robust indoor people counting that utilizes the THz communication downlink signal to sense the number of indoor people. Leveraging the wireless THz communication downlink signal, we propose a device-free, cost-effective, and non-intrusive indoor people counting system. Our method employs a 1D convolutional neural network (CNN) to process historical THz downlink channel gain data and accurately estimate the number of indoor occupants. The numerical results demonstrate the effectiveness of the proposed approach, achieving a remarkable 99.5% accuracy in people counting indoors up to eight people. The proposed model's ability to maintain high accuracy in indoor people counting across different numbers of users demonstrates its effectiveness and robustness in capturing the occupancy signature from the wireless THz downlink communication signal in indoor environments. Also, the accuracy of the proposed CNN time series classifier outperforms the random forest times series classifier with the catch22 feature extractor by more than 10% without needing any feature extraction methods. To the best of the authors' knowledge, this study represents the first investigation into indoor people counting in the THz frequency band utilizing the THz downlink communication signal for sensing the number of indoor occupants.
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 ».