中圖分類號(hào)：TP391.4 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2025）18-0009-08

Abstract：Humanactionrecognition（HAR）basedonChannel State Information（CSI）hassignificantappicationprospectsin feldssuchashuman-computerinteraction，healthcare，andintrusiondetection.Althoughcurentresearchhasmadesubstantial progressinrecognizingvarioustypesofactivitesandimprovingrecognitionaccracy，challengesremainintheneedforalarge numberofactivitysamplestotrainmodels，andinimprovingthereal-timeperformaneoftherecognitionprocessToaddress theseissues，areal-time humanactionrecognition（HAR）system，CSI-FHAR，isdesignedbasedondataaugmentation.By augmentingasmallnumberofreal samples to generatesyntheticsamples，thesystemreduces thedemandforreal samples during modeltraning.Aditioallbysegmentingcompleteactivitysamples，therecogitionspeedisincreased，ehancingal-ie performance.Toincreasetheinter-classfeaturediferences，CSI-FHARaddstemporalencodingtotheactivitysamples，tereby improvingthemodelsrecognitionacuracy.Theconvolutionalblockatentionmodule（CBAM）isembeddedintheconvolutional neuralnetwork（CNN）tofurtherenhancethenetwork'sabilitytoextractefectivefeaturesfromactivitysamples.Experimental resultsemonstratetheefectivenessofCSI-FHAR：withonlyfivesamplesperactivityclassfor1typesofactites，the proposed model achieved recognition accuracies of 95.1% for gestures and 92.5% for full-body activities.

Keywords：humanactionrecognition（HAR）；channelstateinformation;dataenhancement;temporalcoding；aention mechanism

人體動(dòng)作識(shí)別（Human Activity Recognition，HAR）技術(shù)在人機(jī)交互、醫(yī)療健康、智能家居和日常行為檢測(cè)等領(lǐng)域獲得了廣闊的應(yīng)用。與基于計(jì)算機(jī)視覺(jué)、專用傳感器以及紅外感知的人體動(dòng)作識(shí)別技術(shù)等相比，基于Wi-Fi信號(hào)的人體動(dòng)作識(shí)別技術(shù)具有不侵犯隱私、不受光線影響、部署廣泛等優(yōu)勢(shì)。此技術(shù)所使用的信號(hào)主要包括接收信號(hào)強(qiáng)度指示（ReceivedSignalStrengthInformation，RSSI）和信道狀態(tài)信息（Channel

StateInformation，CSI）3-4。RSSI信號(hào)屬于無(wú)線連接層，它是來(lái)自不同信道子載波的總和。將所有子載波簡(jiǎn)單疊加在一起的操作破壞了不同子載波各自攜帶的信息，導(dǎo)致RSSI信號(hào)無(wú)法提供細(xì)粒度的表示。相比于RSSI信號(hào)，CSI信號(hào)具有更細(xì)的粒度和敏感度，能夠感知到信道更微小的變化，因此它在呼吸-手勢(shì)[8-幅度較小的動(dòng)作識(shí)別領(lǐng)域有更好的識(shí)別準(zhǔn)確率，使用CSI信號(hào)進(jìn)行人體動(dòng)作識(shí)別逐漸成為學(xué)者們的研究熱點(diǎn)。

在早期的研究工作中，研究人員依靠機(jī)器學(xué)習(xí)方法人工提取信號(hào)中的特征，可使用的特征包括時(shí)域特征、頻域特征、統(tǒng)計(jì)特征和多普勒頻移特征等，以此訓(xùn)練識(shí)別模型。隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，越來(lái)越多的神經(jīng)網(wǎng)絡(luò)被用于自動(dòng)提取動(dòng)作樣本蘊(yùn)含的顯式與隱式特征，大大解放了繁雜的人工提取特征過(guò)程。CLAR[應(yīng)用奇異譜分析（SSA）提取動(dòng)作樣本的趨勢(shì)成分，并結(jié)合雙向長(zhǎng)短期記憶網(wǎng)絡(luò)建立基于集成學(xué)習(xí)的模型，實(shí)現(xiàn)了房間尺度下無(wú)設(shè)備跨位置的活動(dòng)識(shí)別。Sheng等使用2個(gè)卷積神經(jīng)網(wǎng)絡(luò)分別提取CSI信號(hào)振幅的時(shí)間和空間特征，實(shí)現(xiàn)了彎腰、拍手等6種動(dòng)作的分類。雖然這些基于機(jī)器學(xué)習(xí)的方法在人體動(dòng)作識(shí)別上取得了良好的效果，但是由于多徑效應(yīng)的影響，場(chǎng)景的變化可能會(huì)導(dǎo)致同一動(dòng)作的CSI信號(hào)呈現(xiàn)較大的差異，在發(fā)生變化的場(chǎng)景或新場(chǎng)景中進(jìn)行動(dòng)作識(shí)別，已有模型的識(shí)別精度可能會(huì)明顯下降甚至導(dǎo)致模型不能正常使用，需要重新采集CSI動(dòng)作樣本來(lái)訓(xùn)練新模型。新場(chǎng)景下可提供的動(dòng)作樣本數(shù)量無(wú)法得到保證，如何降低訓(xùn)練新模型所需的樣本數(shù)量是目前急需解決的問(wèn)題，一些研究者使用遷移學(xué)習(xí)和少樣本學(xué)習(xí)方法在一定程度上提高了對(duì)已有動(dòng)作樣本或模型的利用率。

遷移學(xué)習(xí)方法通常將已識(shí)別的場(chǎng)景稱為源域，未識(shí)別的場(chǎng)景稱為目標(biāo)域。Fang等12使用全卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了可以跨場(chǎng)景的HAR系統(tǒng)WiTransfer，通過(guò)來(lái)自目標(biāo)域的CSI動(dòng)作樣本微調(diào)源域訓(xùn)練的模型參數(shù)，新模型對(duì)目標(biāo)域中動(dòng)作的識(shí)別準(zhǔn)確率可以達(dá)到 90% 以上。TransferSense[13通過(guò)將CSI的幅度和相位信息相結(jié)合來(lái)增加特征數(shù)量，并融合從預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)中提取的低級(jí)和高級(jí)語(yǔ)義特征，在目標(biāo)域中應(yīng)用少量標(biāo)記樣本的遷移學(xué)習(xí)方法進(jìn)行跨域感知，可以降低目標(biāo)域的數(shù)據(jù)收集成本。Khan等4提出的一種基于遷移學(xué)習(xí)的活動(dòng)識(shí)別模型，使用源域中的標(biāo)注樣本訓(xùn)練深度自動(dòng)編碼器，通過(guò)使用未標(biāo)注的樣本進(jìn)行微調(diào)來(lái)減少域間差異，并采用結(jié)構(gòu)模式映射技術(shù)通過(guò)最大均值差異最小化過(guò)程優(yōu)化類內(nèi)-類間距離。該方法在目標(biāo)域中僅依賴有限的標(biāo)注樣本，并在3個(gè)真實(shí)數(shù)據(jù)集上驗(yàn)證了該方法的有效性和適用性。

小樣本學(xué)習(xí)方法也可以緩解訓(xùn)練模型對(duì)新動(dòng)作樣本數(shù)量的需求。Shi等15提出了增強(qiáng)信道狀態(tài)信息匹配網(wǎng)絡(luò)（MatNet-eCSI）來(lái)促進(jìn)HAR的few-shot學(xué)習(xí)，他們的訓(xùn)練數(shù)據(jù)包括已有環(huán)境下一個(gè)動(dòng)作數(shù)據(jù)集和新環(huán)境下7類動(dòng)作、每類動(dòng)作5個(gè)樣本，在辦公室和實(shí)驗(yàn)室環(huán)境中的識(shí)別準(zhǔn)確率分別達(dá)到 88.1% 和92.3% 。ML-DFGR是一種基于度量元學(xué)習(xí)的手勢(shì)識(shí)別系統(tǒng)，它使用少量的樣本就能夠識(shí)別新場(chǎng)景中的新手勢(shì)。ML-DFGR使用已有的手勢(shì)數(shù)據(jù)集來(lái)預(yù)訓(xùn)練模型。當(dāng)每個(gè)新手勢(shì)只提供1個(gè)樣本時(shí)，對(duì)于10類和50類新手勢(shì)的識(shí)別準(zhǔn)確率分別達(dá)到 97.6% 和 89.5% 。上述研究顯示了采用小樣本學(xué)習(xí)方法的HAR模型對(duì)于識(shí)別新動(dòng)作的有效性，同時(shí)對(duì)新類別動(dòng)作樣本需求量較少。但是新動(dòng)作的種類數(shù)量增多導(dǎo)致識(shí)別率明顯降低，例如在ML-DFGR中，當(dāng)測(cè)試集的新動(dòng)作種類從10類增加到50類，模型的識(shí)別準(zhǔn)確率從 97.6% 降低到 89.5% 。當(dāng)學(xué)習(xí)的動(dòng)作種類從11類增加到20類，Zhang等的模型識(shí)別準(zhǔn)確率從 86.5% 下降到 72.2% 。

在人體動(dòng)作識(shí)別技術(shù)的實(shí)際應(yīng)用中，除了需要應(yīng)對(duì)新場(chǎng)景中可提供的動(dòng)作樣本數(shù)量不足的難題之外，還需要提高識(shí)別動(dòng)作的實(shí)時(shí)性。在AR游戲，遠(yuǎn)程醫(yī)療等領(lǐng)域中，實(shí)時(shí)性能是評(píng)價(jià)動(dòng)作識(shí)別系統(tǒng)的重要指標(biāo)之一。

為了解決上述問(wèn)題，本文提出了一個(gè)基于數(shù)據(jù)增強(qiáng)且實(shí)時(shí)性較高的人體動(dòng)作識(shí)別系統(tǒng)。通過(guò)設(shè)計(jì)的樣本增強(qiáng)方法，利用已有的真實(shí)樣本合成偽樣本以擴(kuò)大訓(xùn)練集的規(guī)模、減少對(duì)新樣本數(shù)量的需求。將完整的動(dòng)作樣本劃分為幾個(gè)等長(zhǎng)的片樣本，使用片樣本訓(xùn)練模型，在測(cè)試階段不需要識(shí)別整個(gè)動(dòng)作樣本，每識(shí)別一個(gè)片樣本即可輸出結(jié)果，以此提高動(dòng)作識(shí)別的實(shí)時(shí)性。通過(guò)人為給動(dòng)作樣本添加時(shí)間編碼可以增加各動(dòng)作之間的特征差異，從而提高模型的識(shí)別精度。不同動(dòng)作存在相似的特征，對(duì)動(dòng)作樣本進(jìn)行分片可能會(huì)導(dǎo)致系統(tǒng)誤分類的情況，添加時(shí)間編碼有助于減少這種情況的發(fā)生。此外，本文還給神經(jīng)網(wǎng)絡(luò)添加卷積注意力模塊CBAM，進(jìn)一步提升網(wǎng)絡(luò)的特征提取能力。為了驗(yàn)證所提模型的有效性，在手勢(shì)數(shù)據(jù)集SignFi和自制的身體動(dòng)作數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)。在學(xué)習(xí)10類動(dòng)作，每類動(dòng)作只提供5個(gè)樣本的條件下，所提模型對(duì)手勢(shì)和身體動(dòng)作的識(shí)別精度分別達(dá)到了 95.1% 和 92.5% 。

1預(yù)備知識(shí)

1.1 CSI概述

IEEE 802.11ln 標(biāo)準(zhǔn)定義了在接收端和發(fā)送端之間傳遞信號(hào)的機(jī)制。CSI代表了信號(hào)在傳輸過(guò)程中所

產(chǎn)生的時(shí)延、幅度衰減以及相位偏移等變化。假設(shè)發(fā)送端信號(hào)為 x ，接收端信號(hào)為 y ，那么有

y=H_.x+n

式中： n 為噪聲向量， ??H 為信道矩陣。信道狀態(tài)信息CSI就是對(duì) H 的估計(jì)。對(duì)于單個(gè)子載波，CSI的形式如下

h=|h|e^jsinβ

式中： |h| 和 β 分別代表了CSI信號(hào)的幅度和相位。

CSI的幅度和相位都包含了豐富的人體動(dòng)作特征信息，它們各自都可以被用于人體動(dòng)作識(shí)別。本文使用的是CSI的振幅信息。本文部署了1個(gè)發(fā)射天線和3個(gè)接收天線，因此可以采集3個(gè)信道上的CSI信號(hào)。此外，每個(gè)信道有30個(gè)子載波，所以CSI矩陣如下所示

式中： h_i，j 表示第 i 個(gè)接收天線的第 j 個(gè)子載波。

1.2 卷積神經(jīng)網(wǎng)絡(luò)

第一個(gè)卷積神經(jīng)網(wǎng)絡(luò)（CNN）誕生于1987年，由AlexanderWaibel等提出。隨著深度學(xué)習(xí)理論的不斷深入和硬件設(shè)備的迭代更新，CNN獲得了快速發(fā)展，并廣泛應(yīng)用在圖像處理和自然語(yǔ)言處理等領(lǐng)域。它和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）常用于深度學(xué)習(xí)領(lǐng)域中，二者擁有各自的優(yōu)點(diǎn)，所以適用的領(lǐng)域也不相同。

CNN適合處理具有類似網(wǎng)格結(jié)構(gòu)的數(shù)據(jù)，它通常至少在網(wǎng)絡(luò)的一層中使用卷積運(yùn)算來(lái)替代一般的矩陣乘法運(yùn)算。CNN的基本結(jié)構(gòu)一般包括以下幾個(gè)部分：卷積層、池化層、激活函數(shù)層和全連接層等。RNN適合處理時(shí)間序列數(shù)據(jù)，它的輸出需要參考以前的信息。RNN網(wǎng)絡(luò)的輸出不僅取決于當(dāng)前時(shí)刻輸入的特征信息，而且還受到前一時(shí)刻隱藏層輸出的影響1，這種輸出模式雖然帶來(lái)了處理時(shí)序數(shù)據(jù)的優(yōu)勢(shì)，但是也導(dǎo)致當(dāng)前時(shí)刻的輸出必須在前一時(shí)刻運(yùn)算完畢后才能進(jìn)行。比如處理翻譯任務(wù)，RNN嚴(yán)格按照順序進(jìn)行翻譯工作，每次只處理一個(gè)單詞，這種嚴(yán)格按照時(shí)序的工作模式無(wú)法充分發(fā)揮GPU的并行處理能力，導(dǎo)致運(yùn)行速度比CNN慢很多。雖然CSI是時(shí)間序列數(shù)據(jù)，但是處理時(shí)間是人體動(dòng)作識(shí)別任務(wù)中的一個(gè)重要評(píng)價(jià)指標(biāo)，而且CNN通過(guò)權(quán)值共享運(yùn)行時(shí)不需要大量的存儲(chǔ)資源，所以本文使用能充分利用計(jì)算資源進(jìn)行高速運(yùn)算的CNN。

2 系統(tǒng)設(shè)計(jì)

2.1 系統(tǒng)結(jié)構(gòu)

圖1展示了本文設(shè)計(jì)的人體動(dòng)作識(shí)別模型CSI-FHAR的系統(tǒng)結(jié)構(gòu)圖，其中包括采集樣本、數(shù)據(jù)增強(qiáng)和訓(xùn)練模型。首先，無(wú)線路由器和電腦分別作為發(fā)送（AP）和接收設(shè)備（RP）實(shí)現(xiàn)CSI動(dòng)作樣本的采集任務(wù)。接著經(jīng)過(guò)濾波和采樣等預(yù)處理后樣本被送人數(shù)據(jù)增強(qiáng)模塊，通過(guò)設(shè)計(jì)的樣本增強(qiáng)方法合成偽樣本。為已有動(dòng)作樣本添加時(shí)間編碼，以此提高不同動(dòng)作之間的特征差異，同時(shí)也有利于降低樣本分片造成的相似片段的干擾。然后對(duì)當(dāng)前樣本進(jìn)行分片處理，每個(gè)完整的動(dòng)作樣本被等分成若干個(gè)動(dòng)作片段，這樣做不僅擴(kuò)大了訓(xùn)練集的樣本規(guī)模而且可以提高模型識(shí)別動(dòng)作的實(shí)時(shí)性。最后將卷積注意力模塊CBAM嵌人CNN中，進(jìn)一步提升神經(jīng)網(wǎng)絡(luò)的特征提取能力。通過(guò)訓(xùn)練集中的動(dòng)作片段和CNN進(jìn)行模型訓(xùn)練，實(shí)現(xiàn)對(duì)測(cè)試集中動(dòng)作片段的分類。

2.2 數(shù)據(jù)增強(qiáng)

2.2.1 樣本增強(qiáng)

為了模型降低對(duì)真實(shí)樣本數(shù)量的需求，我們需要通過(guò)采集的真實(shí)樣本生成偽樣本來(lái)擴(kuò)充訓(xùn)練所需的樣本集。常規(guī)的樣本增強(qiáng)方法會(huì)對(duì)動(dòng)作樣本進(jìn)行翻轉(zhuǎn)或者縮放等操作，但是翻轉(zhuǎn)或縮放CSI樣本在一定程度上會(huì)破壞樣本內(nèi)在的時(shí)空特征，進(jìn)而導(dǎo)致站立坐下和前進(jìn)后退這些在時(shí)序上相反的動(dòng)作更難區(qū)分，因此這類樣本增強(qiáng)方法不適用于基于CSI的人體動(dòng)作識(shí)別領(lǐng)域。也有研究使用圖像處理領(lǐng)域中常用的生成對(duì)抗網(wǎng)絡(luò)來(lái)合成偽樣本，但是這種網(wǎng)絡(luò)合成的偽樣本質(zhì)量非常依賴輸入的真實(shí)樣本數(shù)量，相比于圖像領(lǐng)域中每個(gè)類別可以提供成百上千張圖片，在基于CSI的人體動(dòng)作識(shí)別領(lǐng)域中每類動(dòng)作的樣本數(shù)量通常不超過(guò)20個(gè)，因此無(wú)法保證生成對(duì)抗網(wǎng)絡(luò)可以生成高質(zhì)量的偽樣本來(lái)訓(xùn)練模型?；谏鲜鲈?，本文設(shè)計(jì)了一種適用于CSI樣本的增強(qiáng)方法。假設(shè)某一類新動(dòng)作可以提供 k 個(gè)真實(shí)樣本，任意選取其中2個(gè)樣本 A 和 B 并為它們各自附加隨機(jī)權(quán)重，最后添加高斯噪聲得到一個(gè)偽樣本 c 。如式（4）所示

C=αA+（1-α）B+nG，

式中：權(quán)重 α 和權(quán)重 n 的取值范圍分別為0到1和0到0.1，它們分別用于調(diào)整真實(shí)樣本和高斯噪聲的權(quán)重。添加高斯噪聲 G 可以提高模型的魯棒性。通過(guò)樣本增強(qiáng)方法，可以為每類動(dòng)作生成 C_k² 個(gè)偽樣本。由于同類動(dòng)作的真實(shí)樣本之間特征相似度較高，通過(guò)此方法獲得的偽樣本可以較好保留真實(shí)樣本的特征，生成過(guò)程如圖2所示。

2.2.2 時(shí)間編碼

為了充分利用CSI動(dòng)作樣本中包含的時(shí)序特征，增加相似動(dòng)作的類間特征差異，提高模型對(duì)動(dòng)作識(shí)別準(zhǔn)確率，CSI-FHAR為CSI動(dòng)作樣本設(shè)計(jì)了時(shí)間編碼。考慮到時(shí)間編碼需要隨時(shí)間在一定范圍內(nèi)上下波動(dòng)，而不是隨時(shí)間線性增長(zhǎng)。因此，CSI-FHAR設(shè)計(jì)的時(shí)間編碼采用了周期性的正弦函數(shù)和余弦函數(shù)，具體方法如式（5）所示

式中： Ψ_{t，w，c} 分別為時(shí)間序數(shù)、子載波和信道序數(shù)。式（5）中正弦和余弦函數(shù)相加也是一種周期函數(shù)，取值范圍從 到 ，這樣可以避免時(shí)間編碼的數(shù)值過(guò)大。此外， c^*w 變化會(huì)影響時(shí)間編碼的取值，以此提高網(wǎng)絡(luò)對(duì)于不同信道上子載波的區(qū)分度。

將動(dòng)作樣本和相應(yīng)的時(shí)間編碼直接相加，作為新的動(dòng)作樣本用于訓(xùn)練和測(cè)試識(shí)別模型。在被添加了時(shí)間編碼 P 后，CSI動(dòng)作樣本的時(shí)域波形會(huì)發(fā)生一些細(xì)微的變化，然后引起局部時(shí)間特征的變化，進(jìn)而導(dǎo)致不同動(dòng)作的類間特征差異增大，便于區(qū)分站立和坐下、前進(jìn)和后退這些在時(shí)間順序上相反的動(dòng)作。此外，將時(shí)間編碼作為網(wǎng)絡(luò)的輸人可以使得神經(jīng)網(wǎng)絡(luò)在經(jīng)歷多次卷積后仍然能夠?qū)W習(xí)到初始的時(shí)間特征。

2.2.3 樣本切片

圖3展示了樣本切片的過(guò)程，使用滑動(dòng)窗口將1

個(gè)完整的動(dòng)作樣本分割成 k 個(gè)等長(zhǎng)的樣本片段，然后這些樣本片段都被標(biāo)注同一個(gè)類別標(biāo)簽用于訓(xùn)練或測(cè)試。

式中： l₁ 為滑動(dòng)步長(zhǎng)， l₂ 為窗口長(zhǎng)度。將 l₁ 設(shè)置的比 l₂ 小一些，相比于 l₁=l₂ ，這樣可以使得每個(gè)動(dòng)作片段多出一段長(zhǎng)為 l₂-l₁ 的樣本部分，它和相鄰片段共有這部分。在不改變片段長(zhǎng)度的條件下，這么做有利于增加每個(gè)動(dòng)作片段所包含的特征信息，進(jìn)而優(yōu)化模型的識(shí)別性能。

2.2.4 注意力模塊

注意力模塊CBAM由Woo等8提出，它包括一個(gè)通道注意模塊和一個(gè)空間注意模塊。將CBAM嵌入CNN中，它可以根據(jù)通道和空間維度推斷注意力權(quán)重，并將注意力權(quán)重與輸入特征矩陣相乘進(jìn)行自適應(yīng)特征優(yōu)化，從而提高CNN的特征表達(dá)能力。圖4展示了注意力模塊CBAM的具體結(jié)構(gòu)。

動(dòng)作樣本的CSI數(shù)據(jù) F 經(jīng)過(guò)多個(gè)卷積塊的處理后，生成通道注意力塊的輸入 F^? 。分別通過(guò)平均池化和最大池化操作得到2個(gè)通道的特征向量，它們都被輸人到多層感知器（MLP）中。給對(duì)應(yīng)位置的特征向量添加MLP的輸出特征，并通過(guò)sigmoid函數(shù)激活它們以生成最終的通道注意力特征。對(duì)通道注意特征進(jìn)行以下處理以得到空間注意模塊所需的輸入特征，如式（7）如示

F^′=M_C（F）?F，

式中： M_C（F） 表示在通道注意力模塊中的處理過(guò)程，式（8）展示了它的詳細(xì)過(guò)程。

式中 ：σ.AvgPool.MaxPool 分別表示激活函數(shù)、平均池化和最大值池化。

空間注意力模塊通過(guò)平均池化和最大池化對(duì)輸人特征 F^′ 沿著通道維度進(jìn)行壓縮，得到2個(gè)特征向量并進(jìn)行合并。對(duì)合并后的特征進(jìn)行卷積運(yùn)算生成空間注意力特征，該模塊的輸出 F^′′ 可以表示為

F^′′=M_s（F^′）?F^′

式中： M_s（F^′） 為空間注意力層的操作，它可以被表示為式（10）

式中： conν 代表卷積層。經(jīng)過(guò)CBAM處理后的樣本特征矩陣 F 將會(huì)通過(guò)平均池化層與全連接層。

2.2.5 卷積神經(jīng)網(wǎng)絡(luò)

本文在卷積神經(jīng)網(wǎng)絡(luò)CNN中嵌人了注意力模塊CBAM，圖5展示了CNN的具體結(jié)構(gòu)。其中，我們將卷積層、激活層、批處理歸一化層和平均池化層作為一個(gè)卷積塊。本文的CNN由4個(gè)這樣的卷積塊和1個(gè)全連接層構(gòu)成。

式中： 為ReLu函數(shù)的輸出，經(jīng)過(guò)公式（12）的變換，它服從標(biāo)準(zhǔn)正態(tài)分布。

為了保證批處理歸一化過(guò)程的非線性，通過(guò)公式（13）中的2個(gè)參數(shù) γ 和 β 對(duì) 進(jìn)行平移和縮放得到y(tǒng)_i° 在平均池化層，CNN選用 k×k 區(qū)域內(nèi)的均值作為輸出，池化處理可以壓縮特征，減少模型的參數(shù)規(guī)模，在一定程度上可以減少發(fā)生過(guò)擬合的概率。

CSI-FHAR的4個(gè)卷積塊的卷積層中分別包含4、8、16、32個(gè)大小為 3×3 的卷積核，這樣可以提高模型的特征提取能力。激活函數(shù)通過(guò)將網(wǎng)絡(luò)的輸出特征映射到一個(gè)新的特征空間，增加非線性因素，提高模型的表達(dá)能力。本文使用ReLu函數(shù)作為激活函數(shù)，因?yàn)樗啾扔赟igmoid函數(shù)具有運(yùn)算量更小且解釋性良好的優(yōu)勢(shì)。

CSI數(shù)據(jù)經(jīng)過(guò)4個(gè)卷積塊后映射到特征空間。在網(wǎng)絡(luò)的最后，添加1個(gè)全連接層，用來(lái)輸出分類結(jié)果

ReLu（x）=Max（0，x），

式中： x 是激活層的輸入。由式（11）可知ReLu函數(shù)會(huì)將某些神經(jīng)元的輸出為0，這有利于緩解過(guò)擬合問(wèn)題。批處理歸一化層的作用在于它可以提高網(wǎng)絡(luò)的泛化能力，起到正則化的作用，同時(shí)可以打亂訓(xùn)練集中的數(shù)據(jù)。其計(jì)算過(guò)程如下

3 實(shí)驗(yàn)評(píng)估

3.1 實(shí)驗(yàn)設(shè)置

為了評(píng)估CSI-FHAR的性能，我們?cè)赟ignFi手勢(shì)數(shù)據(jù)集和自制身體動(dòng)作數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)使用型號(hào)為T(mén)L-WDR6500的路由器作為發(fā)送端（AP），一臺(tái)裝有Intel5300網(wǎng)卡的計(jì)算機(jī)作為接收端（RP），計(jì)算機(jī)配置是Inteli7-10800型號(hào)CPU和NVIDIAGeForce RTX 2060 型號(hào)GPU。

圖6和圖7展示了自制數(shù)據(jù)集的實(shí)驗(yàn)場(chǎng)景圖和平面圖，包括實(shí)驗(yàn)室和大廳，面積分別為（ 9×16 ） m² 和中 （10×10）m² 。在這2個(gè)場(chǎng)景中采集來(lái)自2個(gè)志愿者的前進(jìn)、坐下、擁抱等16類常見(jiàn)的動(dòng)作（圖8），每類動(dòng)作包含20個(gè)樣本。自制數(shù)據(jù)集中的動(dòng)作樣本尺寸和SignFi手勢(shì)數(shù)據(jù)集一樣，都是 3×30×200 。

3.2 和其他識(shí)別模型的對(duì)比

為了驗(yàn)證所提的人體動(dòng)作識(shí)別模型CSI-FHAR的有效性，本文設(shè)計(jì)了以下對(duì)比實(shí)驗(yàn)：使用SignFi手勢(shì)數(shù)據(jù)集和自制數(shù)據(jù)集中各10類動(dòng)作，每類樣本分別提供5個(gè)和10個(gè)樣本以進(jìn)行對(duì)照實(shí)驗(yàn)。選擇Mat-Net-eCSI[15]、AFSL-HAR和WiTransfer[]作為CSI-FHAR的對(duì)照組。4個(gè)人體動(dòng)作識(shí)別模型所使用的預(yù)訓(xùn)練模型、訓(xùn)練和測(cè)試樣本等實(shí)驗(yàn)條件保持一致，圖9展示了對(duì)比實(shí)驗(yàn)的結(jié)果。

由圖9可知，在SignFi手勢(shì)數(shù)據(jù)集和自制數(shù)據(jù)集中所有模型都獲得了較好的識(shí)別表現(xiàn)，CSI-FHAR獲得了最高的精度，這樣的結(jié)果證明了所采用方法的有效性。時(shí)間編碼增大了不同動(dòng)作之間的特征差異，樣本增強(qiáng)方法提供了更多高質(zhì)量的偽動(dòng)作樣本用于訓(xùn)練模型，CBAM模塊提高了網(wǎng)絡(luò)的特征提取能力，這些都有助于CSI-FHAR獲得更好的識(shí)別精度。此外，從實(shí)驗(yàn)結(jié)果中還可以發(fā)現(xiàn)以下現(xiàn)象：以SignFi手勢(shì)數(shù)據(jù)集為例，當(dāng)每類動(dòng)作使用5個(gè)樣本時(shí)CSI-FHAR的識(shí)別精度比第二名高 2.7% ，當(dāng)每類動(dòng)作使用10個(gè)樣本時(shí)CSI-FHAR的識(shí)別精度比第二名高 1.2% 。這種現(xiàn)象表明當(dāng)每類動(dòng)作可提供的樣本數(shù)量較少時(shí)，CSI-FHAR的優(yōu)勢(shì)更加明顯，本文使用的樣本增強(qiáng)方法可以一定程度降低對(duì)真實(shí)樣本的需求。

此外，為了進(jìn)一步驗(yàn)證CSI-FHAR的有效性，我們?cè)谑褂肧ignFi手勢(shì)數(shù)據(jù)集每類動(dòng)作提供5個(gè)樣本的實(shí)驗(yàn)條件下，計(jì)算了以下參考標(biāo)準(zhǔn)：精度、召回率和F1分?jǐn)?shù)。具體的參數(shù)見(jiàn)表1。

通過(guò)表1中各項(xiàng)指標(biāo)可知，CSI-FHAR可以較好地識(shí)別不同的動(dòng)作。

3.3選擇預(yù)訓(xùn)練模型

使用相似分布的數(shù)據(jù)預(yù)訓(xùn)練模型可以提前初始化參數(shù)，并加速網(wǎng)絡(luò)的收斂，同時(shí)還可以降低訓(xùn)練階段需要的樣本數(shù)量。預(yù)訓(xùn)練模型所使用的動(dòng)作種類數(shù)會(huì)影響其性能，為了得到合適的預(yù)訓(xùn)練模型來(lái)提高CSI-FHAR的識(shí)別表現(xiàn)，我們?cè)O(shè)計(jì)了以下實(shí)驗(yàn)。使用SignFi手勢(shì)數(shù)據(jù)集中的10、30、50和70類動(dòng)作分別訓(xùn)練得到4個(gè)預(yù)訓(xùn)練模型，在這些模型基礎(chǔ)上訓(xùn)練4個(gè)新識(shí)別模型，測(cè)試結(jié)果取模型對(duì)測(cè)試集中所有動(dòng)作的平均識(shí)別準(zhǔn)確率，見(jiàn)表2。

觀察表2中的數(shù)據(jù)可以發(fā)現(xiàn)，相比于沒(méi)有動(dòng)作樣本預(yù)訓(xùn)練的模型，使用了預(yù)訓(xùn)練模型的識(shí)別模型準(zhǔn)確率都最少提高了 4% 。以上結(jié)果表明預(yù)訓(xùn)練模型有利于提升模型性能，其中使用30類動(dòng)作預(yù)訓(xùn)練模型的識(shí)別性能最好，對(duì)所有動(dòng)作的平均識(shí)別準(zhǔn)確率達(dá)到 95.3% 。可解釋的原因：用于預(yù)訓(xùn)練的數(shù)據(jù)量應(yīng)該和模型參數(shù)規(guī)模相適配，僅僅增大數(shù)據(jù)量或者采用更大規(guī)模的模型對(duì)識(shí)別模型的性能并沒(méi)有顯著提升，甚至起到負(fù)面作用[]。隨著預(yù)訓(xùn)練數(shù)據(jù)量的增大，規(guī)模較大的模型精度將會(huì)提升，然而較小的模型精度會(huì)下降。綜上所述，CSI-FHAR使用30類動(dòng)作來(lái)預(yù)訓(xùn)練識(shí)別模型。

3.4 時(shí)間編碼的影響

為了驗(yàn)證時(shí)間編碼的作用以及頻率對(duì)時(shí)間編碼的影響，本文在SignFi手勢(shì)數(shù)據(jù)集和自制數(shù)據(jù)集上設(shè)計(jì)了以下實(shí)驗(yàn)。CSI-FHAR學(xué)習(xí)8類動(dòng)作（每類包含7個(gè)樣本），實(shí)驗(yàn)一共分為6組，其中5個(gè)實(shí)驗(yàn)組頻率分別為 1000.2000.3000.5000 和 10000Hz ，第6組是不添加時(shí)間編碼的對(duì)照組。實(shí)驗(yàn)結(jié)果取對(duì)8類動(dòng)作的平均準(zhǔn)確率，如圖10所示。

由圖10可知，當(dāng)時(shí)間編碼的頻率為 3000Hz 時(shí)模型的識(shí)別性能最佳。相比不添加時(shí)間編碼，模型在手勢(shì)數(shù)據(jù)集和身體動(dòng)作數(shù)據(jù)集上的識(shí)別精度分別增加 6% 和 5% 左右。綜上所述，CSI-FHAR為動(dòng)作樣本添加頻率為 3000Hz 的時(shí)間編碼。

3.5樣本切片數(shù)量的影響

樣本切片過(guò)程會(huì)將一個(gè)完整的動(dòng)作樣本切分成等長(zhǎng)的幾個(gè)片段，為了探究每個(gè)樣本切片數(shù)量對(duì)模型識(shí)別性能的影響，設(shè)計(jì)了以下實(shí)驗(yàn)。一共設(shè)置了4個(gè)實(shí)驗(yàn)組，各組分別將一個(gè)動(dòng)作樣本切分成3、4、5和7個(gè)片段。還有一個(gè)對(duì)照組，采用沒(méi)有進(jìn)行樣本切片的完整樣本。用于訓(xùn)練和測(cè)試的動(dòng)作樣本來(lái)自SignFi手勢(shì)數(shù)據(jù)集和自制數(shù)據(jù)集，在所有實(shí)驗(yàn)組中所使用的滑動(dòng)窗口長(zhǎng)度 l₂ 比分片步長(zhǎng) l₁ 多20個(gè)數(shù)據(jù)包。實(shí)驗(yàn)結(jié)果取對(duì)所有動(dòng)作的平均識(shí)別精度，具體的精度和識(shí)別時(shí)間展示在表3中。

由表3中數(shù)據(jù)可知，隨著樣本切片數(shù)量的增加，模型的識(shí)別精度下降得越來(lái)越明顯，模型的識(shí)別速度在持續(xù)提升。因此對(duì)一個(gè)完整樣本設(shè)置切片的數(shù)量不宜過(guò)多。其中，當(dāng)把樣本分割成4個(gè)樣本片段時(shí)，雖然模型的識(shí)別精度下降了 1.5% 左右，但是模型的識(shí)別速度提升了接近 69% 。綜上所述，樣本切片方法在降低少量模型識(shí)別精度的條件下可以極大地優(yōu)化模型的識(shí)別實(shí)時(shí)性，本文將樣本的切片數(shù)量設(shè)置為4個(gè)。

4結(jié)束語(yǔ)

本文設(shè)計(jì)了一種基于數(shù)據(jù)增強(qiáng)和CSI的的實(shí)時(shí)人體動(dòng)作識(shí)別系統(tǒng)CSI-FHAR。采用樣本切片方法提高了HAR的實(shí)時(shí)性，樣本增強(qiáng)方法減少了對(duì)真實(shí)動(dòng)作樣本的需求。我們?cè)赟ignFi手勢(shì)數(shù)據(jù)集和自制身體動(dòng)作數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，在真實(shí)樣本較少的情況下，該方法具有較高的準(zhǔn)確率和實(shí)時(shí)性。本文下一步的研究工作是進(jìn)一步優(yōu)化樣本增強(qiáng)方法，以減少對(duì)真實(shí)樣本的需求。此外還需要加強(qiáng)模型的抗干擾能力。

參考文獻(xiàn)：

[1]SINGH R，KUSHWAHA A K S，SRIVASTAVA R.Recent trends in human activity recognition-A comparative study[J]. Cognitive Systems Research，2023（77）：30-44.

[2] ZHANG Y，WANG X，WANG Y，et al. Human activity recognitionacross scenes and categories based on csi[C]// IEEE Transactions on Mobile Computing，2020.

[3] ZHANG Y，HE F，WANG Y，et al.CSI-based crossscene human activity recognition with incremental learning [J].Neural Computing and Applications，2023，35（17）： 12415-12432.

[4] BUQ，YANG G，MING X，et al.Deep transfer learning forgesture recognition with WiFi signals [J]. Personal and Ubiquitous Computing，2020：1-12.

[5] FEI H，XIAO F，HAN J，et al.Multi-Variations Activity Based Gaits Recognition Using Com modity WiFi[J].IEEE Transactionson Vehicular Tech nology，2020，69（2）：2263- 2273.

[6]ARMENTA-GARCIA J A，GONZALEZ-NAVARRO FF， CARO-GUTIERREZ J，et al. Mining Wi-Fi Channel State Information for breathing and heart rate classification[J]. Pervasive and Mobile Computing，2023，91：101768.

[7]代婉婉.基于WiFi-CSI的非接觸式人體呼吸檢測(cè)方法研究 [D].徐州：中國(guó)礦業(yè)大學(xué)，2023.

[8]熊小樵，馮秀芳，丁一.基于CSI的手勢(shì)識(shí)別方法研究[J].計(jì)算 機(jī)應(yīng)用與軟件，2022，39（1）：181-187.

[9]WANG Y，YAO L，WANG Y，et al. Robust CSI-Based Human Activity Recognition With Augment Few Shot Learming[J].IEEE Sensors Journal，2021，21（21）：24297-24308.

[10] ZHOU R，GONG Z，TANG K，et al. Device-free cross locationactivityrecognitionvia semi -superviseddeep learning [J].Neural Computing and Applications，2022，34 （12）：10189-10203.

[11] SHENG B，F(xiàn)ANG Y，XIAO F，et al. An accurate device-free action recognition system using two-stream network[J].IEEE TransVeh Technol，2020，69（7）：7930-7939.

[12] FANG Y，SHENG B，WANG H，et al. Witransfer：A cross-scene transfer activity recognition system using wifi [C]//Proceedings of the ACM Turing Celebration Conference-China，2020：59-63.