[论文解读] Environment and Person Independent Activity Recognition with a Commodity IEEE 802.11ac Access Point.

Francesca Meneghello, Domenico Garlisi+3 more|arXiv (Cornell University)|Mar 17, 2021

Indoor and Outdoor Localization Technologies参考文献 43被引用 5

一句话总结

本文提出了一种基于商用IEEE 802.11ac WiFi接入点的、与主体和环境无关的人体活动识别系统。通过从信道频率响应中提取并分析多普勒频移，该方法在未见过的人员、日期和环境中实现了超过95%的平均识别准确率，利用基于多普勒特征的神经网络学习实现。

ABSTRACT

Here, we propose an original approach for human activity recognition (HAR) with commercial IEEE 802.11ac (WiFi) devices, which generalizes across different persons, days and environments. To achieve this, we devise a technique to extract, clean and process the received phases from the channel frequency response (CFR) of the WiFi channel, obtaining an estimate of the Doppler shift at the receiver of the communication link. The Doppler shift reveals the presence of moving scatterers in the environment, while not being affected by (environment specific) static objects. The proposed HAR framework is trained on data collected as a person performs four different activities and is tested on unseen setups, to assess its performance as the person, the day and/or the environment change with respect to those considered at training time. In the worst case scenario, the proposed HAR technique reaches an average accuracy higher than 95%, validating the effectiveness of the extracted Doppler information, used in conjunction with a learning algorithm based on a neural network, in recognizing human activities in a subject and environment independent fashion.

研究动机与目标

• 实现一种可泛化于不同个体、日期和环境的人体活动识别（HAR）系统，使用现成的WiFi硬件。
• 克服现有HAR系统在新受试者或新环境下测试时性能显著下降的局限性。
• 利用信道频率响应（CFR）中的多普勒频移作为鲁棒、与环境无关的特征，以检测人体运动。
• 开发一个处理流程，从原始WiFi相位测量中清洗并提取有意义的多普勒信息。
• 在多普勒特征上训练神经网络，以实现在真实世界、未见过的部署场景中实现高准确率。

提出的方法

• 从接收端IEEE 802.11ac信号的相位信息中提取信道频率响应（CFR）。
• 应用清洗和预处理技术，从CFR的原始相位测量中去除噪声和干扰。
• 通过CFR的时间相位变化计算多普勒频移，该频移反映了运动散射体的径向速度。
• 将多普勒频移作为主要特征输入，用于神经网络分类器进行活动识别。
• 在单人于受控条件下执行四种不同活动的数据上训练神经网络。
• 在不同人员、日期和环境中收集的测试数据上评估模型，以评估泛化能力。

实验结果

研究问题

• RQ1 从商用802.11ac WiFi信号中提取的多普勒频移是否能可靠地检测不同个体的人体运动？
• RQ2 与传统方法相比，所提出的HAR系统在未见过的环境和日期上的泛化能力如何？
• RQ3 基于多普勒的特征集在影响其他HAR系统的静态环境变化下，其鲁棒性如何？
• RQ4 当在训练期间未见过的新受试者和新部署环境上测试时，系统的性能如何？

主要发现

• 所提出的HAR系统在最坏情况下的平均准确率超过95%，此时训练时既未见过人员也未见过环境。
• 从信道频率响应中提取的多普勒频移对静态环境物体具有鲁棒性，因此为HAR提供了稳定特征。
• 该方法在不同个体、日期和环境中均能有效泛化，优于依赖环境特定校准的传统方法。
• 在多普勒特征上使用神经网络可实现高识别准确率，且无需为新受试者或新环境重新训练。
• 即使测试设置与训练设置存在显著差异，系统仍能保持高性能，表现出强大的泛化能力。