WISE-HAR：基于 WiFi 信号的人体活动识别通用集成深度学习框架解读

背景

随着智能家居、健康监测、安防系统以及环境辅助生活技术的快速发展，人体活动识别（Human Activity Recognition, HAR）已成为一项变革性技术。传统的 HAR 方案主要依赖两类硬件：基于摄像头的视觉系统和可穿戴传感器。然而，这两者均存在显著局限性。

基于摄像头的系统虽然直观，但引发了严重的隐私泄露担忧，且在低光照或无光照条件下性能急剧下降。另一方面，可穿戴传感器虽然能提供高精度数据，但要求用户保持佩戴依从性，这在长期监测或老年人护理场景中往往难以实现，且增加了用户的负担。

相比之下，基于 WiFi 信号的 HAR 技术展现出独特优势。它利用环境中无处不在的 WiFi 信号，通过捕捉信号在人体运动时产生的多径效应变化来识别活动。这种技术具有非侵入性、保护隐私（无需采集图像或生物特征）、成本低廉，且能在任何光照条件下无缝工作。尽管前景广阔，但基于 WiFi 的 HAR 在实际部署中仍面临性能方差大、数据集规模小以及跨场景泛化能力弱等挑战。

核心内容

本文提出了一种名为 WISE-HAR 的通用集成深度学习框架，旨在解决上述挑战。该框架利用 Wallhack1.8k WiFi 频谱图数据集，专注于识别三种 distinct 的人类活动：“无存在”（空房间）、“行走”以及“行走 + 挥手”。

为了提升模型的鲁棒性和泛化能力，研究团队提出了三项关键改进措施：

1. 集成学习解决性能方差

针对单一模型在 WiFi 信号识别任务中表现不稳定的问题，研究团队实施了集成学习策略。该策略结合了五种不同的卷积神经网络（CNN）架构，包括：

• Deep CNN
• Wide CNN
• MobileNetV2
• 残差网络 ResNet50V2
• EfficientNetB0

通过整合这五种架构的优势，WISE-HAR 旨在降低单一模型可能带来的偏差，从而获得更稳定且高精度的识别结果。

2. 激进的数据增强应对小样本局限

鉴于 WiFi HAR 领域高质量标注数据集通常较小，研究团队应用了激进的数据增强技术来扩充训练数据的多样性。主要技术包括：

• 时间扭曲（Time-warping）：模拟不同动作速度的变化。
• 频率掩码（Frequency masking）：模拟信号频段的缺失或干扰。
• 噪声添加（Noise addition）：模拟真实环境中的电磁干扰。

这些增强手段显著提升了模型对噪声和变化的适应能力。

3. 跨场景与跨天线评估验证泛化能力

为了评估模型在现实世界中的泛化能力，研究进行了两项严格的评估：

• 跨场景评估（Cross-scenario evaluation）：在视距（Line-of-Sight, LOS）条件下训练模型，并在非视距（Non-Line-of-Sight, NLOS）条件下进行测试，以验证模型对信号遮挡和多径效应的鲁棒性。
• 跨天线评估（Cross-antenna evaluation）：在 Biquad 天线采集的数据上训练，在 PIFA 天线采集的数据上进行测试，以验证模型对不同硬件配置的适应性。

实验结果

• 高精度表现：在 LOS 场景且使用 Biquad 天线时，集成模型达到了 94.87% 的测试准确率，比表现最好的单一模型高出 0.66%。
• 数据增强效果显著：数据增强技术将随机森林（Random Forest）模型的准确率从 60% 大幅提升至 95%，证明了其在小样本场景下的巨大潜力。
• 强大的泛化能力：跨场景评估显示，准确率下降幅度极小，仅为 1.37% 和 2.07%，表明模型在面对信号路径变化时具有极强的稳定性。

关键要点

• 技术优势：基于 WiFi 的 HAR 相比摄像头和可穿戴设备，具备非侵入、隐私保护、低成本及全天候工作的核心优势。
• 集成策略：WISE-HAR 框架集成了 Deep CNN、Wide CNN、MobileNetV2、ResNet50V2 和 EfficientNetB0 五种 CNN 架构，有效降低了模型性能方差。
• 数据增强价值：通过时间扭曲、频率掩码和噪声添加等激进增强手段，不仅提升了深度学习模型的性能，更使传统机器学习模型（如随机森林）的准确率实现了质的飞跃（从 60% 至 95%）。
• 泛化能力验证：研究通过跨场景（LOS 到 NLOS）和跨天线（Biquad 到 PIFA）的评估，证明了模型在硬件配置变化和信号环境复杂化时的鲁棒性，准确率损失控制在 2% 以内。
• 最终性能：在标准测试条件下（LOS + Biquad 天线），集成模型达到 94.87% 的准确率，优于任何单一深度学习模型。

意义与影响

WISE-HAR 框架的提出对于推动 WiFi 感知技术的实际落地具有重要意义。首先，它证明了通过集成学习和数据增强，可以有效克服 WiFi 信号识别中固有的噪声敏感性和数据稀缺问题。其次，跨场景和跨天线的评估结果证实了该框架具备在多样化现实环境中部署的潜力，无需针对每种特定的硬件或房间布局重新训练模型。

这一成果为智能家居、无感健康监测和安防系统提供了一套可靠、通用且隐私友好的解决方案。它减少了用户对可穿戴设备的依赖，同时避免了摄像头带来的隐私争议，为未来非侵入式环境智能（Ambient Intelligence）的发展奠定了坚实的技术基础。