Efficient Machine Learning for Wi-Fi CSI-based Human Activity Recognition Using Fast Monte Carlo based Feature Extraction
Notice bibliographique
Résumé
High-dimensional doppler data extracted from Wi-Fi channel state information (CSI) offers distinctive velocity and time patterns that are useful for human activity recognition (HAR), but its scale poses significant challenges for real-time inference and deployment on resource-constrained devices. This work proposes an efficient, fast monte carlo (MC) feature selection framework based on the frieze-kannanvempala (FKV) algorithm and coefficient estimation to address this bottleneck. The CSI is preprocessed, and doppler traces are computed to encode the velocity and direction of distinct activities. Afterwards, we perform FKV to decompose the doppler data, and the coefficient of the resulting singular vectors is estimated. Using rejection sampling, the topmost features are selected on the basis of their weights, thereby reducing the size of our features. The method identifies a compact set of velocity-time features that preserve critical motion information while significantly reducing computational overhead. The experimental evaluations demonstrated that the decision tree classifier achieved the highest precision at 99.8%, followed by convolutional neural networks (CNN) 96%, the hybrid CNN-long-short-term memory (CNN-LSTM) achieved 87%, while the LSTM model lagged at 53%. These results demonstrated that the integration of fast MC-based feature selection significantly reduced computational overhead without sacrificing classification performance, making it suitable for scalable and real-time HAR applications.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».