文献笔记——
基于深度学习的行为切割框架(利用wifi的行为识别)
- 摘要
- 介绍
摘要
1、寻求最佳阈值来切割:多基于个人经验,在遇到同时包含细粒度和粗粒度的活动时,效果不好
2、本文方法:将分割任务是为分类问题,使用基于cnn的算法,为了增强整体性能,设计反馈机制
介绍
行为分类的流程:数据收集和处理、行为分割、行为分类
行为分割:检测csi流的开始点和结束点
行为分类:把分割结果归类
目前的分割法:基于阈值(行为出现时csi波动幅度更大)
现有的有Tw-See,Wi-Multi
缺点:1)去噪方法和阈值设置多基于主观观察和经验,因此不通方法的差异很大
2)用到实际情况中性能大幅下降
现实中的行为多是粗粒度与细粒度交替出现的,分别按照两种行为确定阈值,一方准确率高则另一方就低,难以达到平衡,因此分割准确度较低。
3)分割和分类互相联系,分类的结果可以作为反馈用来改善分割算法。但基于阈值的算法将两者割。
变更点检测技术也可以用来行为分割,但仍然存在上述问题
本文算法:
将行为分割视为分类问题,利用基于cnn的算法区分开始点和结束点。
首先将连续的csi流等分为片,接着使用cnn模型将这些片分为四类状态:静止、开始、运动、结束。第三步基于状态标签实现对开始点和结束点的识别,最后这些分割好的行为数据被喂入行为识别模型进行识别。
反馈机制:
利用行为分类模型产生的概率分布来计算浓度(概率熵和最大概率的结合,可以反映出样本属于相应类别的置信度),作为反馈来优化分割算法。
方法:通过提高高质量(置信度高)样本的权重来调整分割模型
相关工作:
A 行为分割
1)基于阈值
1、阈值固定:
寻求最优的方法去噪,通过观察来确定固定的阈值进行行为分割
——文献[17]
去噪方法:PCA
使用次要成分进行手势识别
——文献[14]
归一化方差滑动窗来满足穿墙wifi信号的场景
使用鲁棒PCA去噪,用主要成分进行行为识别
——文献[23]
使用时间序列差异的分割算法
使用设计好的平均绝对差和预设的起点阈值、终点阈值检测行为
——文献[24]
基于训练集计算出的阈值
2、阈值可变
[15]
第一步:csi流均分(片的长度视环境而定),根据csi幅度变化的大小排序,较大的一半值的和与较小一半值的和取平均差作为阈值
第二步:计算幅度和相位相关矩阵的最大本征值,来消除潜在的检测误差
[26]
使用两个阈值
使用行为幅度阈值找到去噪的csi流中潜在活动,再用行为持续阈值消除掉可以视为噪音的短波。
行为幅度阈值通过csi计算得出,可以根据环境改动
2)基于CPD
用于找到数据中的突变点
通过比较改变分数和设定的阈值来决定是否发生改变
B 行为识别