STAR：面向移动和 pervasive 计算环境中基于 Wi-Fi CSI 的隐私保护、能源高效边缘 AI 框架

通过 Wi-Fi 信道状态信息 (CSI) 的人类活动识别 (HAR) 方案具有隐私保护、无接触感知的优势，适用于智能家居、健康监测和移动物联网系统。然而，现有方法常在资源受限的嵌入式移动边缘环境中面临计算效率低、延迟高及实际可行性有限等挑战。本文提出 STAR（Sensing Technology for Activity Recognition，感知技术用于活动识别）边缘 AI 优化框架，集成轻量化神经网络架构、自适应信号处理及硬件感知联合优化，实现在低功耗嵌入式设备上的实时、能源高效的 HAR。STAR 采用简化的门控循环单元 (GRU) 循环神经网络，模型参数较传统 LSTM 模型降低 33%，同时保持有效的时序建模能力。采用包含中值滤波、8 阶巴特沃思低通滤波和经验模态分解 (EMD) 的多级预处理流程，对 CSI �幅数据进行去噪并提取时空特征。为实现端侧部署，STAR 在配备嵌入式神经网络处理器 (NPU) 的 Rockchip RV1126 处理器上实现，并通过 ESP32-S3 基于 CSI 的数据采集模块进行接口连接。实验结果表明，所提方法在七类活动类别上实现 93.52% 的平均识别准确率，人类存在检测准确率达 99.11%，采用参数仅 97.6k 的紧凑模型。INT8 量化推理实现 33 MHz 的处理速度，仅占 8% CPU 利用率，相较 CPU 端执行实现六倍速度提升。该系统在亚秒级响应延迟和低功耗下，确保实时、隐私保护的 HAR，为移动和 pervasive 计算环境提供了实用、可扩展的解决方案。