Human Activity Recognition from Wi-Fi CSI Data Using Principal Component-Based Wavelet CNN

要約

ヒューマン アクティビティ レコグニション (HAR) は、監視、セキュリティ、およびヘルスケアの分野でいくつかのアプリケーションを備えた新しいテクノロジです。
Wi-Fi チャネル状態情報 (CSI) 信号に基づく非侵襲的 HAR システムは、ユビキタスな Wi-Fi テクノロジの急速な成長と、CSI ダイナミクスと体の動きとの相関関係を活用して開発できます。
この論文では、主成分ベースのウェーブレット畳み込みニューラル ネットワーク (または PCWCNN) を提案します。これは、実用的なリアルタイム アプリケーションに堅牢性と効率性を提供する新しいアプローチです。
提案された方法には、主成分分析 (PCA) と離散ウェーブレット変換 (DWT) という 2 つの効率的な前処理アルゴリズムが組み込まれています。
正確で計算量の少ない適応型アクティビティ セグメンテーション アルゴリズムを採用しています。
さらに、Wavelet CNN を分類に使用しました。これは、よく研究されている ResNet および DenseNet ネットワークに類似した深い畳み込みネットワークです。
提案した PCWCNN モデルが実際のデータセットで非常にうまく機能し、既存のアプローチよりも優れていることを経験的に示しています。

要約(オリジナル)

Human Activity Recognition (HAR) is an emerging technology with several applications in surveillance, security, and healthcare sectors. Noninvasive HAR systems based on Wi-Fi Channel State Information (CSI) signals can be developed leveraging the quick growth of ubiquitous Wi-Fi technologies, and the correlation between CSI dynamics and body motions. In this paper, we propose Principal Component-based Wavelet Convolutional Neural Network (or PCWCNN) — a novel approach that offers robustness and efficiency for practical real-time applications. Our proposed method incorporates two efficient preprocessing algorithms — the Principal Component Analysis (PCA) and the Discrete Wavelet Transform (DWT). We employ an adaptive activity segmentation algorithm that is accurate and computationally light. Additionally, we used the Wavelet CNN for classification, which is a deep convolutional network analogous to the well-studied ResNet and DenseNet networks. We empirically show that our proposed PCWCNN model performs very well on a real dataset, outperforming existing approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google