基于WiFi CSI数据检测人体活动

WiFi CSI 背景知识参考

目标为基于WiFi CSI数据，训练深度学习模型实现分类：无人、摔倒、其他人体活动（例如行走）

数据采集

第一次采集

一个样本的格式：

数据包数量：1000（浮动）
发射器数量：2
接收器数量：3
载波数：30

单个样本的可视化方法如下，横轴为数据包编号，纵轴为载波数，图像展示的是振幅，展示了所有（发射器，接收器）对，一共6对。

摔倒（一个样本）：

无人（一个样本）：

站立（一个样本）：

第一次采集的数据样本较少，为实验性质的测试。

第二次采集

样本总数在300左右。一个样本的格式：

数据包数量：400（浮动）
发射器数量：2
接收器数量：3
载波数：30

单个样本的可视化方法如下，横轴为数据包编号，纵轴为载波数，图像展示的是振幅，展示了所有（发射器，接收器）对，一共6对。

无人（一个样本）：

行走（一个样本）：

摔倒（一个样本）：

第二次采集数据时使用了新的环境配置方法，但从数据质量上看似乎不如第一次，会有一些（发射器，接收器）对没有信号记录。

数据处理

对第二次采集到的300个样本进行处理：

对于数据包数量小于400的样本，忽略。
对于数据包数量大于等于400的样本，截取中间的400个数据包。
对每个样本的6个（发射器，接收器）对进行数值上的相加（由于上面提到的，有些对没有信号记录），因此每个样本的维度为（数据包数量，载波数）
对每个样本进行归一化。

当环境中有人的存在时，大约一半的样本中数据包小于400，为了利用更多的样本，在几次实验中改为忽略“数据包数量小于380的样本”

处理后的每个类别的数据：

模型

代码仓库
前置知识：BiLSTM
前置知识：Transformer

BiLSTM

调参记录：

Learning rate	Hidden dim	Num layers	Dropout	Bidirectional	Training Accuracy	Validation Accuracy
0.0005	256	2	0.2	TRUE	1	0.84
0.0005	256	1	0.2	TRUE	1	0.84
0.0005	128	1	0.2	TRUE	1	0.84
0.0005	128	1	0.4	TRUE	1	0.84
0.0005	64	1	0.2	TRUE	1	0.81
0.0005	256	2	0.2	FALSE	1	0.79
0.0005	256	1	0.2	FALSE	1	0.79
0.001	256	2	0.2	TRUE	0.6626	0.6818

每个批次损失：

每代(epoch)训练集准确率：

每代(epoch)验证集准确率：

其他信息：

损失函数：交叉熵损失（Softmax分类器）
优化器：Adam
正则化：使用Dropout，权重衰减
参数量（最好的模型）：205187
参数初始化：Xavier初始化
样本量：约300，每个类别约100（共3类），训练集与验证集比例为4:1
数据集大小：约26MB
GPU：RTX4090
显存消耗：4G足够
训练时间：训练到收敛小于10分钟

Transformer