利用GAN提升室内人体活动识别的准确率
信号处理
2020-04-24 v1 机器学习
摘要
室内人体活动识别（HAR）探究人体运动与反射WiFi信号之间的相关性，以对不同活动进行分类。通过分析WiFi信号模式，尤其是信道状态信息（CSI）的动态特性，可以区分不同活动。从时间和设备角度看，采集CSI数据代价高昂。本文中，我们使用合成数据以减少对真实测量CSI的需求。我们提出了一种基于CSI的活动识别系统的半监督学习方法，其中采用长短期记忆（LSTM）网络学习特征并识别七种不同的动作。我们对CSI幅度数据应用主成分分析（PCA），而短时傅里叶变换（STFT）提取频域特征。起初，我们使用完全原始的CSI数据训练LSTM网络，其处理时间更长。为此，我们旨在利用50%的原始数据结合生成对抗网络（GAN）来生成数据。我们的实验结果证实，在所考虑的场景下，该模型可将分类准确率提升3.4%，并将Log loss降低近16%。
引用
@article{arxiv.2004.11228,
title = {Using GAN to Enhance the Accuracy of Indoor Human Activity Recognition},
author = {Parisa Fard Moshiri and Hojjat Navidan and Reza Shahbazian and Seyed Ali Ghorashi and David Windridge},
journal= {arXiv preprint arXiv:2004.11228},
year = {2020}
}
备注
5 pages, 3 figures, Proceedings of IKT2019