物联网学报 ›› 2022, Vol. 6 ›› Issue (1): 44-52.doi: 10.11959/j.issn.2096-3750.2022.00262

• 理论与技术 • 上一篇    下一篇

基于主动学习和Wi-Fi感知的人体识别系统

赵广智1, 周志鹏1, 龚伟1, 陈绍青1, 周浩泉2   

  1. 1 中国科学技术大学，安徽 合肥 230026
    2 中国科学技术大学附属第一医院（安徽省立医院），安徽 合肥 230001
  • 修回日期:2022-02-08 出版日期:2022-03-01 发布日期:2022-03-01
  • 作者简介:赵广智（1995− ），男，中国科学技术大学计算机科学与技术学院硕士生，主要研究方向为主动学习、人体行为识别、无线感知等
    周志鹏（1994− ），男，中国科学技术大学计算机科学与技术学院博士生，主要研究方向为机器学习、无线感知等
    龚伟（1982− ），男，中国科学技术大学教授、博士生导师，主要研究方向为大规模物联网、智能感知、无线网络、分布式计算等
    陈绍青（1985− ），男，博士，中国科学技术大学信息科学实验中心讲师，主要研究方向为振动主动控制、自适应控制等
    周浩泉（1968− ），男，中国科学技术大学附属第一医院（安徽省立医院）副教授、硕士生导师，主要研究方向医学信息技术等。
  • 基金资助:
    合肥市自主创新政策“借转补”项目(J2020Y03)

Human activity recognition system based on active learning and Wi-Fi sensing

Guangzhi ZHAO1, Zhipeng ZHOU1, Wei GONG1, Shaoqing CHEN1, Haoquan ZHOU2   

  1. 1 University of Science and Technology of China, Hefei 230026, China
    2 The First Affiliated Hospital of USTC(Anhui Provincial Hospital), Hefei 230001, China
  • Revised:2022-02-08 Online:2022-03-01 Published:2022-03-01
  • Supported by:
    The Independent Innovation Policy Program of Hefei(J2020Y03)

在线阅读

61

PDF下载

460

摘要：

基于深度学习和Wi-Fi感知的人体行为识别系统已逐步成为主流的研究方向，在近年来得到了长足的发展。然而，现有的系统严重依赖于大量带标记样本以达到良好的识别精度。这导致了大量的人力成本用于标记数据，同时现有系统也难以应用于实际场景。针对该问题，提出一种将主动学习应用于Wi-Fi感知的人体行为识别系统——ALSensing。该系统是第一个将主动学习和Wi-Fi人体行为识别相结合的系统，能够利用有限数量的已标记训练样本构建一个性能良好的行为识别器。利用商用的Wi-Fi设备实现了ALSensing系统，并且使用6个不同场景的实际数据集评估了它的性能。实验结果显示，ALSensing 利用 3.7%的已标记训练样本能够达到 52.83%的识别精度，利用 15%的已标记训练样本能够达到 58.97%的识别精度，而利用现有基于深度学习的人体行为识别系统测量的参考基准在100%的已标记训练样本的情况下达到62.19%的识别精度。可见，ALSensing能够实现与现有基于深度学习的人体行为识别系统接近的识别精度，但是所需要的已标记训练样本的数量大幅度减少。

关键词: 主动学习, 人体行为识别, Wi-Fi

Abstract:

Human activity recognition system based on deep learning and Wi-Fi sensing has gradually become the mainstream research field and has been developed in recent years.However, related systems heavily rely on training with huge labeled samples to reach a high accuracy, which is labor-intensive and unrealistic for many real-world scenarios.To solve this problem, a system that combines active learning with Wi-Fi based human activity recognition—ALSensing was proposed, which was able to train a well-perform classifier with limited labeled samples.ALSensing was implemented with commercial Wi-Fi devices and evaluated in six real environments.The experimental results show that ALSensing achieves 52.83% recognition accuracy using 3.7% of total training samples, 58.97% recognition accuracy using 15% of total training samples, while the existing full-supervised system reaches 62.19% recognition accuracy.It demonstrates that ALSensing has a similar performance with baseline but requires much less labeled samples.

Key words: active learning, human activity recognition, Wi-Fi

中图分类号: 

No Suggested Reading articles found!