基于注意力双向门控循环神经网络与 GUI 实现的 Wi-Fi 信道数据人际交互识别的前瞻方法

由于近期技术进步、人工智能算法、智慧城市需求及社会经济转型，人类活动识别（HAR）研究获得显著发展。然而，现有基于计算机视觉与传感器的 HAR 方案存在隐私问题、内存与功耗负担以及佩戴传感器的不适等局限，研究者正观察到 HAR 研究的范式转变。作为应对，基于 WiFi 的 HAR 因更粗粒度的信道状态信息可用而日益流行。但现有基于 WiFi 的 HAR 方法局限于分类在相等时长内进行的独立且非并发人类活动。近期研究通常使用单输入多输出通信链路与 5 GHz 信道频率的 WiFi 信号，以两个 WiFi 路由器或两块 Intel 5300 网卡作为收发器。我们的研究则利用 WiFi 路由器与 Intel 5300 网卡间的多输入多输出无线链路，基于 2.4 GHz 信道频率的时间序列 Wi-Fi 信道状态信息来识别人际并发交互。所提出的自注意力引导双向门控循环神经网络（Attention-BiGRU）深度学习模型可分类 13 种交互，对单一被试对的基准最高准确率达 94%。该工作已扩展至十对被试对，在交互转换区域附近分类改善下取得 88% 的基准准确率。本研究还使用 PyQt5 Python 模块开发了可执行的图形用户界面（GUI）软件，用于在给定时长内分类、保存并显示整体人际并发交互。