基于无线信号和低成本嵌入式设备的人体活动识别

本文主要是介绍基于无线信号和低成本嵌入式设备的人体活动识别，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

根据以下论文整理《Human Activity Recognition using Wireless Signals and Low-Cost Embedded Devices》，作者Thuan V. A. Tong、Binh Bui-Thanh和Phuoc Nguyen T. H.来自越南胡志明市的信息技术大学和越南国立大学。论文主要研究了一种基于低成本WiFi信号的人体活动识别（HAR）系统，该系统适用于智能家居环境，并注重成本效益和隐私保护。

以下是论文的主要内容概述：

摘要

• 论文提出了一种基于ESP32微控制器和Jetson Nano边缘设备的低成本WiFi传感系统，用于智能家居中的人体活动识别。
• 系统通过ESP32 WiFi发射器和接收器捕获信道状态信息（CSI）数据，避免了昂贵硬件的需求，同时保护用户隐私。
• 评估了传统机器学习和深度学习模型在所获数据集上的表现，最高准确率达到95.57%。
• 最佳模型部署在Jetson Nano边缘设备上，实现了高效的活动分类和高吞吐量。
• 系统与现有的通信协议（如MQTT）无缝集成，并提供了用户友好的可视化界面。
• 通过使用单个发射器-接收器对实现准确的HAR，展示了方法的实用性和可扩展性。

引言

• 随着对智能家居便利性、安全性和个性化体验需求的增长，智能家居技术正在迅速改变我们与周围环境的互动方式。
• 论文重点研究了精确跟踪和识别人体动作的技术能力，这在医疗保健、健身监测和家庭安全等方面具有巨大潜力。

相关工作

• 论文回顾了WiFi传感技术的背景，包括信道状态信息（CSI）的基本原理和在智能家居中的多种应用。
• 对比了不同CSI收集硬件的成本、尺寸和重量，突出了ESP32微控制器的低成本和小尺寸优势。

A. WiFi Sensing’s Background

• 原理: WiFi传感技术主要利用周围环境中的信道状态信息（CSI）信号。CSI是在正交频分复用（OFDM）传输系统中捕获的一种信号度量，描述了无线信号从发射器传播到接收器时，多个子载波频率上的幅度和相位变化。
• OFDM系统模型: 在频域中，OFDM系统可以表示为 ( y = Hx + n )，其中 ( x ) 和 ( y ) 分别是表示传输和接收信号的复向量，( n ) 是噪声向量，( H ) 是信道信息矩阵。
• CSI计算: 对每个子载波收集CSI值，每个值定义为具有实部 ( H(i)r ) 和虚部 ( H(i){im} ) 的复数。可以计算每个子载波的幅度 ( A(i) = \sqrt{(H(i)_{im})^2 + (H(i)r)^2} ) 和相位 ( \phi_i = \text{atan2}(H(i){im}, H(i)_r) )。

B. Related Work

• 应用范围: 通过CSI的WiFi传感技术在智能家居中有广泛的应用，包括但不限于人体活动识别、定位、人群计数和占用检测。
• ESP32微控制器: 由于其低成本、小尺寸和能力，ESP32微控制器是CSI收集的流行硬件选择。
• 硬件比较: 论文中提供了一个表格，比较了USRP、Atheros、Intel 5300和ESP32在成本、尺寸和重量方面的差异，突出了ESP32的优势。

相关工作的进一步讨论

• 占用检测: 论文[10]中，作者能够通过墙壁监测到人体存在，并准确预测移动方向。
• 定位和人群计数: H. Choi等人[11]构建了一个系统，使用四对ESP32节点同时进行定位和人群计数，将这两个任务分别视为分类和回归分析。
• 人体活动识别: 论文[12]探索了人体活动识别，实现了不同活动集的准确度变化，包括手腕运动、手指运动、全身运动和使用健身器材。

这部分为读者提供了WiFi传感技术的基础知识，以及在智能家居领域中应用的相关研究和ESP32微控制器的优势。通过这些背景信息，读者可以更好地理解论文提出的系统和方法的理论基础和实际应用。

提出的系统

• 介绍了WiFi传感系统的主要组成部分，包括ESP32微控制器、Jetson Nano边缘推理设备、MQTT代理服务器和Android应用程序。
• 详细描述了CSI数据的收集、预处理、机器学习模型的选择和训练、MQTT代理的设置和Android应用程序的开发。
  

系统组成

• ESP32微控制器: 作为WiFi信号的发射器（TX）和接收器（RX），用于捕获信道状态信息（CSI）。
• Jetson Nano: 用于边缘推理，即在设备端进行数据处理和机器学习模型的推理。
• MQTT代理（Broker）: 部署在云端，负责设备间的通信。
• Android应用程序: 接收信息并展示给用户，使用户能够实时查看预测的活动信息。

处理流程

1. CSI传输: 从TX到RX通过WiFi信号传输CSI，期间在传输路径中执行某种活动。
2. 数据转发: RX将接收到的CSI数据通过串行端口转发给附近的Jetson Nano。
3. 数据处理和预测: Jetson Nano运行一系列数据处理步骤，然后由机器学习模型进行预测。
4. MQTT通信: Jetson Nano连接到MQTT代理，并在预定义的主题上发布其预测结果。
5. 客户端接收: MQTT客户端订阅该主题，从代理接收预测结果。
6. 结果展示: 预测结果在应用程序界面上展示给最终用户。

详细组件说明

A. CSI数据收集

• 使用ESP32微控制器和ESP32-CSI Toolkit进行所有CSI数据收集。
• 选择100Hz的采样率，即每秒收集大约100个CSI数据包。
• 收集了以下三种活动的CSI数据：（i）抬右臂（RA），（ii）抬左腿（RL），和（iii）伸展（SO）。

B. 数据预处理

1. 分割: 将每秒接收到的大约100个CSI数据包分割成200包的段，对应2秒的时间窗口。
2. 去噪: 原始CSI数据可能非常嘈杂，影响机器学习模型的性能。应用了Hampel滤波器和Savitzky-Golay滤波器来平滑数据。

C. 机器学习模型

• 选择了几种机器学习模型进行分类任务，包括支持向量分类器（SVC）、逻辑回归分类器（LRC）和随机森林分类器（RFC）。
• 构建了一个使用卷积神经网络（CNN）架构的深度学习分类器模型，以利用CNN在提取CSI数据空间特征方面的优势。

D. MQTT代理

• MQTT协议提供了设备间轻量级和安全通信的方式，已在众多物联网应用中使用。
• 使用HiveMQ Cloud平台创建了一个MQTT代理实例，并为Jetson Nano和Android应用程序创建了两个账户。

E. Android应用程序

• 开发的Android应用程序使用Java在Android Studio中实现，允许用户订阅MQTT服务器，并在专用用户界面片段中查看预测的活动信息。

系统特点

• 系统展示了使用ESP32 CSI Toolkit进行WiFi传感的现实潜力，并提供了使用ESP32收集的公共CSI数据集。
• 评估了多种机器学习和深度学习模型，以确定它们在边缘部署的可行性。
• 建立了一个简单的端到端WiFi传感系统，用于人体活动识别，并评估了系统的整体运行情况。

这部分详细介绍了论文提出的WiFi传感系统的架构、组件和工作流程，以及如何实现数据收集、处理、模型训练和推理，以及最终的用户界面展示。通过这种设计，系统能够以低成本、保护隐私的方式实现高效的人体活动识别。

评估

• 创建了数据集，并对三种活动（举手、抬腿和伸展）进行了分类。
• 对比了不同的学习模型，包括逻辑回归分类器（LRC）、支持向量分类器（SVC）、随机森林分类器（RFC）和卷积神经网络（CNN）。
• CNN模型在测试集上达到了95.6%的总体准确率，并在边缘设备上展示了高效的推理能力。

结论

• 论文提出了一个完整的WiFi传感系统，用于通过提取CSI信号进行人体活动识别。
• 强调了现有解决方案在隐私问题、成本和硬件需求方面的局限性，并展示了所提出系统的潜力。
• 未来工作将考虑扩大活动数量，并构建独立的深度学习模型，同时将WiFi传感技术集成到相机系统中以提高实用性。

参考文献

• 提供了一系列相关研究和文献，涵盖了机器学习、边缘计算、WiFi传感技术和人体活动识别等领域。

这篇论文为智能家居领域提供了一种新颖的、成本效益高的人体活动识别解决方案，同时注重用户隐私保护。通过使用ESP32微控制器和Jetson Nano边缘设备，研究展示了在保持高准确率的同时，如何实现低延迟和高吞吐量的活动识别。

这篇关于基于无线信号和低成本嵌入式设备的人体活动识别的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---