EI——Towards Environment Independent Device Free Human Activity Recognition

最新推荐文章于 2024-11-17 20:04:06 发布

原创

最新推荐文章于 2024-11-17 20:04:06 发布 · 1.9k 阅读

9 ·

CC 4.0 BY-SA版权

文章标签：

#EI #半监督域自适应对抗训练

论文提出EI框架，通过对抗训练去除无线信号中特定环境和用户的特征，实现环境独立的活动识别。核心是特征提取器、活动识别器和域鉴别器，其中域鉴别器用于检测并删除环境相关特征，特征提取器则努力提取通用特征，以提升在不同环境下的活动识别准确性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.论文介绍

对于通过无线信号实现无设备人类活动识别这个技术，该论文提出了一个问题：接收装置接收到的无线信号中通常携带有大量的记录活动的特定环境和人类对象的大量信息，这导致原本在一个环境中性能很好的活动识别系统，当使用在另一个环境中，或用户对象差异较大时，效果就很不理想。这是因为无线信号在空间中反射时会受到环境介质（如玻璃、空气等）和障碍物（如墙壁、家具等）的影响，导致反射信号发生变化，当检测不同的用户对象的活动时接收到的反射信号也会有很大的不同，如身高体重差异很大的大人和小孩，这些影响导致活动识别装置并不能在“新”环境中很好的工作。对此问题，论文中提出了一个EI（Environment Independent）框架，旨在删除掉无线信号中特定于环境-用户域的特征信息，而保留与环境无关的可以在所有环境中共享的特征信息。（其实这个问题就是机器学习里的过拟合问题，训练数据与测试数据的分布有很大的不同导致测试结果很不理想，在这个问题上表现为训练数据记录的环境与测试数据记录的环境有不同，所以论文中使用域自适应对抗训练来解决这个问题。）

EI框架的核心是一个生成对抗网络，分为三个部分：特征提取器、活动识别器和域鉴别器。特征提取器从无线信号中提取有关人类活动的特征信息，然后将其输入到活动识别器中，活动识别器则对特征进行分类，判断提取到的特征属于哪一类人类活动。单单只训练特征提取器提取活动特征进行人类活动识别效果是很不理想的，因为提取到的特征中包含有大量的特定于环境和用户对象的信息，这些信息不利于对未知环境中的人类活动进行识别。

为了删除掉特征提取器中包含的特定于环境和人类对象的特征，还设置有一个域鉴别器，将其与特征提取器进行对抗训练，使特征提取器可以提取出独立于环境的特征信息，通过这种所有环境可以共享的独立于环境的特征信息，EI可以识别出未知环境中的人类活动。那么怎么进行对抗训练呢？将特征提取器提取出的无线信号的特征和活动识别器的预测结果串联起来输入到域鉴别器中去，域鉴别器的输出是给特征数据一个“域标签”，即推测该活动数据是属于哪个“域”（environment-subject pair）中的人类活动，充分突出特征提取器中提取的有关环境和用户对象的特征。如此，域鉴别器犹如一个严苛的“检察官”非常专注于找出特征提取器提取的特征中的特定于环境的特征，而特征提取器则尽力与域鉴别器“对抗”，旨在提取出独立于环境的特征，两者相互对抗进行训练，最终整个系统可以提取出非常好的独立于环境的特征从而可以对未知环境中的人类活动进行准确的预测。

2.EI框架

下面详细分析生成对抗网络的三个部件：

首先，需要明确EI系统的输入有无线信号数据X（包含标记了人类活动记的数据 $X^{l}$ 和没有标记的数据 $X^{u}$ ，两组数据采集的环境不同）、域标签d、 $X^{l}$ 的标签 $y^{l}$ (包含了所有种类的活动），目的是EI可以准确预测与标记数据环境不相同的未标记数据记录的人类活动活动 $\hat{y}^{u}$ 。