[论文解读] Using GAN to Enhance the Accuracy of Indoor Human Activity Recognition

Parisa Fard Moshiri, Hojjat Navidan+3 more|arXiv (Cornell University)|Apr 23, 2020

Context-Aware Activity Recognition SystemsComputer Science参考文献 15被引用 21

一句话总结

本文提出了一种半监督深度学习框架，利用生成对抗网络（GAN）合成信道状态信息（CSI）数据，提升使用WiFi信号进行室内人体活动识别（HAR）的准确性。通过结合50%的真实CSI数据与GAN生成的数据，并采用LSTM结合主成分分析（PCA）和短时傅里叶变换（STFT）进行特征提取，与仅使用真实数据相比，该方法将分类准确率提高了3.4%，并将对数损失降低了16%。

ABSTRACT

Indoor human activity recognition (HAR) explores the correlation between human body movements and the reflected WiFi signals to classify different activities. By analyzing WiFi signal patterns, especially the dynamics of channel state information (CSI), different activities can be distinguished. Gathering CSI data is expensive both from the timing and equipment perspective. In this paper, we use synthetic data to reduce the need for real measured CSI. We present a semi-supervised learning method for CSI-based activity recognition systems in which long short-term memory (LSTM) is employed to learn features and recognize seven different actions. We apply principal component analysis (PCA) on CSI amplitude data, while short-time Fourier transform (STFT) extracts the features in the frequency domain. At first, we train the LSTM network with entirely raw CSI data, which takes much more processing time. To this end, we aim to generate data by using 50% of raw data in conjunction with a generative adversarial network (GAN). Our experimental results confirm that this model can increase classification accuracy by 3.4% and reduce the Log loss by almost 16% in the considered scenario.

研究动机与目标

• 为降低获取真实CSI数据用于室内人体活动识别的高昂成本和数据采集负担。
• 在仅使用有限真实数据的情况下，提升基于CSI的HAR系统的分类准确率。
• 探究通过GAN生成的合成数据在提升HAR深度学习模型性能方面的有效性。
• 开发一种结合PCA、STFT和LSTM的半监督学习流程，以实现鲁棒的特征提取与分类。

提出的方法

• 在50%的真实CSI幅度数据上训练生成对抗网络（GAN），以生成合成CSI样本。
• 应用主成分分析（PCA）对CSI幅度数据进行降维。
• 使用短时傅里叶变换（STFT）从CSI信号中提取频域特征。
• 在真实数据与GAN生成的CSI数据组合上训练LSTM网络，以实现序列建模与活动分类。
• 采用半监督学习策略，其中GAN在提升数据多样性的同时，最大限度减少对完全标注真实数据的依赖。
• 使用准确率和对数损失指标，在包含七种室内人体活动的数据集上评估分类性能。

实验结果

研究问题

• RQ1 GAN生成的合成CSI数据是否能有效提升深度学习模型在室内人体活动识别中的性能？
• RQ2 与仅使用真实数据相比，结合真实与合成CSI数据在多大程度上提升了分类准确率？
• RQ3 将PCA与STFT整合到LSTM中，如何改善CSI-based HAR中的特征表示？
• RQ4 该半监督训练策略是否能减少对大规模真实CSI数据采集的需求？

主要发现

• 与仅在真实CSI数据上训练相比，所提出方法将分类准确率提高了3.4%。
• 当使用真实与GAN生成数据组合时，模型的对数损失降低了约16%。
• 使用GAN生成的数据显著提升了模型的泛化能力，尤其是在真实数据有限的情况下。
• PCA与STFT的整合增强了特征表示，从而支持了LSTM性能的提升。