[论文解读] Attention-based Walking Gait and Direction Recognition in Wi-Fi Networks

Yang Xu, Min Chen+3 more|arXiv (Cornell University)|Nov 17, 2018

Indoor and Outdoor Localization Technologies参考文献 39被引用 5

一句话总结

该论文提出了一种基于注意力机制的RNN编码器-解码器框架，利用商用Wi-Fi设备的CSI测量数据实现无周期依赖的人体步态与行走方向识别。通过融合两个接收机的数据，并利用注意力机制动态聚焦于CSI序列的关键片段，该系统在室内环境中实现了97.68%的平均准确率和89.69%的F₁分数用于步态识别，以及98.75%的准确率和95.06%的F₁分数用于方向识别。

ABSTRACT

The study of human gait recognition has been becoming an active research field. In this paper, we propose to adopt the attention-based Recurrent Neural Network (RNN) encoder-decoder framework to implement a cycle-independent human gait and walking direction recognition system in Wi-Fi networks. For capturing more human walking dynamics, two receivers together with one transmitter are deployed in different spatial layouts. In the proposed system, the Channel State Information (CSI) measurements from different receivers are first gathered together and refined to form an integrated walking profile. Then, the RNN encoder reads and encodes the walking profile into primary feature vectors. Given a specific recognition task, the decoder computes a corresponding attention vector which is a weighted sum of the primary features assigned with different attentions, and is finally used to predict the target. The attention scheme motivates our system to learn to adaptively align with different critical clips of CSI data sequence for human walking gait and direction recognitions. We implement our system on commodity Wi-Fi devices in indoor environment, and the experimental results demonstrate that our system can achieve average F1 scores of 89.69% for gait recognition from a group of 8 subjects and 95.06% for direction recognition from 8 walking directions, in addition, the average accuracies of these two recognition tasks both exceed 97%.

研究动机与目标

• 开发一种基于Wi-Fi信号的无周期依赖人体步态与行走方向识别系统。
• 克服传统方法依赖步态周期检测与手工设计特征的局限性。
• 利用RNN中的注意力机制，自适应聚焦于CSI数据的关键时间片段以提升识别性能。
• 通过统一的深度学习框架，联合训练步态与方向识别任务。
• 实现无需可穿戴设备或视线条件的被动、无感人体感知。

提出的方法

• 在不同空间布局中部署一个发射机和两个接收机，以捕获人体行走的多视角CSI测量数据。
• 将两个接收机的CSI数据聚合并优化，形成单一集成的行走特征轮廓。
• 使用RNN编码器处理行走轮廓，生成表示主要特征的隐藏状态序列。
• 采用特定任务的解码器，通过编码器隐藏状态的加权和计算注意力向量。
• 应用软注意力机制（公式9），根据与识别任务的相关性，动态分配CSI序列中不同时间步的重要性。
• 通过端到端学习，联合训练编码器-解码器模型以同时完成步态与方向识别任务。

实验结果

研究问题

• RQ1 基于注意力机制的RNN编码器-解码器框架能否利用商用Wi-Fi设备的CSI实现无周期依赖的人体步态识别？
• RQ2 同一模型能否在不进行步态周期分割的情况下，联合识别行走方向与步态？
• RQ3 注意力机制在识别CSI数据中关键时间片段用于步态与方向识别方面有多高效？
• RQ4 与传统信号处理和手工特征方法相比，所提方法在性能上提升了多少？
• RQ5 该系统在真实室内环境中对行走模式变化与个体差异动态的鲁棒性如何？

主要发现

• 所提系统在8名受试者中实现步态识别的平均F₁得分为89.69%，平均准确率为97.68%。
• 在8种不同行走方向的识别中，系统实现平均F₁得分为95.06%，平均准确率为98.75%。
• 注意力可视化结果证实，模型能自动聚焦于CSI频谱图中高能量、信息丰富的片段，特别是包含显著步态动态的区域。
• 注意力机制通过自适应关注关键片段，实现了无周期依赖的识别，无需人工将数据分割为步态周期。
• 系统在不同受试者与任务间表现出强泛化能力，所有单个类别的准确率均超过95%。
• 多接收机CSI数据的融合显著增强了特征表示能力与识别鲁棒性，相比单接收机设置有明显提升。