基于WiFi BVP特征的开放集手势识别：一项系统性实证研究

《Sensors》：An Empirical Study of Open-Set Gesture Recognition on WiFi BVP Features

　　

摘要

基于域的体坐标系速度剖面（BVP）特征的WiFi手势识别方法已展现出强大的跨域泛化能力，但现有方法普遍依赖于闭集假设，限制了其在开放世界场景中的应用。本文对基于WiFi BVP特征的开放集手势识别进行了一项系统性实证研究。在CNN–GRU骨干网络上，我们在冻结骨干和全量微调两种骨干策略下，评估了七种代表性开放集识别（OSR）方法——MSP、OpenMax、Energy、ODIN、K-NN、原型及拒绝头——针对六种未知手势和三个随机种子的表现。实验结果表明，闭集Softmax分类器始终以高置信度错误分类未知手势（六种手势上的错误分类率为49.7%–74.3%），且闭集高置信度错误分类率与开放集AUROC高度相关（R² = 0.918，p = 0.0026），而嵌入空间中的几何距离则与之无关（R² = 0.018，p = 0.80）。这表明开放集识别的难度可能源于分类器决策边界的混淆，而非几何分离性不足。我们进一步发现，没有任何单一OSR方法能在所有未知手势上一致优于其他方法，且冻结骨干与微调骨干的开放集性能相当（通常AUROC差异在±0.02以内）。最后，我们提供了多目标评估及部署观察，包括帕累托前沿和多个工作点。这些结果为开放集WiFi手势识别提供了一个系统性基准，并凸显了分类器层面的因素在决定开放集难度中的重要性。