A Graph Neural Network-Based Dual Attention Fusion Network for CSI-Based Activity Recognition
Notice bibliographique
Résumé
Over the past decade, Channel State Information (CSI)-based human activity recognition (HAR) has attracted wide attention. Despite significant advancements, existing CSI-based HAR methods primarily face two critical challenges: 1) how to exploit intrinsic hierarchical spatial correlations spanning adjacent sub-carriers while maintaining global awareness of entire CSI series; 2) how to establish a cross-dimensional (e.g., spatial, temporal) optimization framework that enables effective information fusion across distinct feature domains to achieve robust CSI series prediction. To address these challenges, we propose Wi-DualAtt, a novel graph neural network(GNN)-based CSI feature extraction network, specifically designed for the effective fusion of spatial and temporal dimensions. The proposed Wi-DualAtt is composed of three key components: a graph attention network (GAT)-based hierarchical correlation attention network (GHCAN), a temporal feature attention network (TFAN), and a prediction fusion module (PFM). Specifically, GHCAN employs spatial attention to capture the hierarchical correlation among all sub-carriers. Meanwhile, TFAN utilizes an attention layer to extract significant temporal features from CSI samples. Finally, PFM integrates the recognition results from the aforementioned two components, utilizing a knowledge distillation mechanism to form the final recognition result, thereby enhancing the recognition capability for CSI-based HAR systems. Extensive experimental results demonstrate that Wi-DualAtt outperforms several state-of-the-art models, achieving recognition accuracy exceeding 99% across various CSI-based activity recognition scenarios.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».