基于 CSI 的使用分支卷积神经网络的高效自我隔离监测系统
计算机视觉与模式识别
2024-10-17 v1 机器学习
信号处理
摘要
如今,冠状病毒病(COVID-19)因在各国快速传播已成为全球大流行。为构筑防疫屏障,曾前往任何高风险场所或与感染者密切接触的人员需进行自我隔离。然而,现有的基于摄像头或可穿戴设备的监测系统在某些情况下可能存在隐私泄露风险或给用户带来不便。本文提出一种基于 Wi-Fi 的无设备自我隔离监测系统。具体而言,我们利用源自 Wi-Fi 信号的信道状态信息(CSI)作为人体活动特征。我们在模拟自我隔离场景中采集 CSI 数据,并提出 BranchyGhostNet——一种带有早退出预测分支的轻量级卷积神经网络(CNN),用于房间占用检测(ROD)与人体活动识别(HAR)的高效联合任务。早退出分支用于 ROD,最终分支用于 HAR。实验结果表明,所提模型对五类不同人体活动的分类平均准确率达 98.19%。结果还证实,在保障 ROD 准确率的同时,采用早退出预测机制后,ROD 的推理延迟相较最终退出分支显著降低 54.04%。
引用
@article{arxiv.2306.01756,
title = {CSI-Based Efficient Self-Quarantine Monitoring System Using Branchy Convolution Neural Network},
author = {Jingtao Guo and Ivan Wang-Hei Ho},
journal= {arXiv preprint arXiv:2306.01756},
year = {2024}
}
备注
6 pages, 7 figures, to be published in Proceedings of the 8th IEEE World Forum on the Internet of Things