基于WiFi CSI公开数据集的无接触射频人体活动识别深度学习基线评估——公共WiFi信道状态信息(CSI)数据集用于无接触射频(RF)人体活动识别的深度学习基线评估

《Sensors》：Deep-Learning-Based Baseline Evaluation of Public WiFi CSI Datasets for Contactless RF-Based Human Activity Recognition

　　

WiFi信道状态信息(channel state information, CSI)已成为无接触人体活动识别(activity recognition)中一种引人注目的感知模态。然而，数据集差异、预处理协议及模型配置的不同使得一致性比较和可复现性面临挑战。本研究对四种广泛采用的深度学习(deep learning, DL)架构——多层感知机(multilayer perceptron, MLP)、卷积神经网络(convolutional neural network, CNN)、门控循环单元(gated recurrent unit, GRU)及混合CNN–GRU模型——在多个涵盖不同感知任务的公开可用CSI数据集上进行了统一基线评估。研究人员对数据集进行协调统一，实施了标准化预处理和训练流程以减少实验不一致性，并支持受控的数据集内模型行为比较。评估任务包括单人活动识别、跌倒风险估计、多人占用分类及位置感知活动识别，代表了逐级升高的时空复杂度。研究结果表明存在数据集依赖性趋势：在若干结构化活动场景中CNN提供了精度与复杂度的有效折衷，而当时态动态更为显著时GRU更具优势，尽管其训练和推理代价更高；相比之下MLP通常因捕获时空依赖关系的能力有限而表现欠佳。混淆矩阵分析揭示动态行为与低运动静止状态仍难以区分，突显了时态建模的重要性。研究人员通过发布完整的实验流程和基准结果，为学术界建立了可复现的参考框架，并指出未来研究方向，包括跨数据集泛化、混合模型设计及轻量化部署策略。

论文解读：《Deep-Learning-Based Baseline Evaluation of Public WiFi CSI Datasets for Contactless RF-Based Human Activity Recognition》

该研究发表于《Sensors》期刊。当前基于WiFi的无接触感知利用现有基础设施实现非穿戴、低成本、不受光照影响且保护隐私的监测，在人体跌倒检测、健康监护、智能家居及人机交互中具有广泛应用前景。WiFi信号通过视距(line-of-sight, LOS)和非视距(non-line-of-sight, NLOS)路径传播，早期无设备感知(device-free sensing)依赖接收信号强度(received signal strength, RSS)，仅能提供粗略的信号功率聚合且易受多径效应影响，限制了细粒度感知能力。信道状态信息(channel state information, CSI)通过在正交频分复用(orthogonal frequency-division multiplexing, OFDM)信道中对每个子载波捕获幅度与相位来解决上述局限，人体运动引起CSI测量中的细微扰动并产生独特的时–频谱模式，可实现细粒度的活动与手势识别。然而现有研究在数据集、预处理策略及深度学习(deep learning, DL)架构选择上差异巨大，部分工作将CSI转换为时频表示输入二维CNN，另一些使用归一化原始序列作为循环网络输入，硬件平台、数据采集协议及模型配置的不同进一步阻碍直接比较，所报告的性能提升可能受平台特性和架构设计选择的影响。此外，针对多人场景下评估DL模型的标准化基准极少，亟需综合性评估框架。因此研究人员开展了此项研究，在统一可控的实验条件下对代表性DL基线架构进行数据集内系统评估，确立可复现参考基准并分析模型适用场景，最终得出结论：不存在普适最优架构，CNN在结构化活动识别中提供良好精度–复杂度权衡，GRU在时态动态显著的跌倒风险和位置感知分类中更优，CNN–GRU在复杂多人类别设定中有时有益，MLP可作为简单基线但总体受限。该研究通过发布完整实验管线与基准结果，为WiFi CSI感知社区提供了透明可复现的参考框架。

研究人员采用以下关键技术方法开展研究：搜集并协调四个公开WiFi CSI数据集——UT-HAR（单人七类活动，Intel 5300 NIC，3天线对×30子载波）、WiPE-FaLl（三类跌倒风险低/中/高，USRP X300，2.4 GHz，51 OFDM子载波）、多人占用数据集（16类含空室及至多四人组合活动，USRP X300/310，3.75 GHz，51子载波）、位置感知活动与区域联合数据集（活动+区域标签，USRP X300/X310，3.75 GHz，64子载波）。对所有数据集实施统一预处理：CSI转为结构化数值表示，MLP使用扁平化特征向量，CNN/GRU/CNN–GRU使用时序CSI张量；按固定随机种子42分层划分训练∶验证∶测试=70∶15∶15；仅基于训练集拟合StandardScaler避免数据泄露并应用于验证与测试集；类别不平衡时计算平衡类权重加入损失函数。四种基线架构——MLP（全连接层）、CNN（一维或二维卷积捕获局部时空相关性）、GRU（门控机制建模时序依赖）、CNN–GRU（卷积提取局部模式后经GRU建模时序）——均使用Adam优化器（学习率10^-3，批次大小32），最多训练80轮次并以验证损失做早停（耐心10轮），输出层Softmax激活，输出神经元数匹配类别数。性能指标于保留测试集计算准确率、精确率、灵敏度(sensitivity)及F1值并给出95%置信区间(confidence interval, CI)，计算复杂度指标含可训练参数量、训练时间、每样本推理时间及模型大小。

研究结果

UT-HAR单人活动识别（Experiment 1）：CNN与CNN–GRU均达最高准确率95.0%，CNN–GRU的F1值与灵敏度略高；MLP结果具竞争力但低于卷积与混合模型；GRU准确率93.0%。混淆矩阵显示坐姿与躺姿等静态活动对角占优明显，误分类主要发生于具相似运动特征的动态活动（如跌倒与捡物），表明即使总体精度较高仍存在类别模糊性。结论：当判别性CSI模式具局部结构时CNN有效，结合时序建模的CNN–GRU略有提升，GRU对该单人任务亦有效。

WiPE-FaLl跌倒风险估计（Experiment 2）：GRU最优，准确率93.0%；CNN紧随其后达92.0%；MLP为89.0%。混淆矩阵表明中等风险类（过渡类别）最难分类，GRU比其他模型更有效降低此模糊性，CNN在较少计算资源下仍有竞争力。结论：跌倒风险评估中CSI模式的细微时态变化重要，循环建模具优势。

多人占用分类（Experiment 3）：CNN–GRU最佳，准确率/F1/精确率/灵敏度均为98.0%；GRU为97.0%，CNN为96.0%，MLP为95.0%，CI最窄表明统计稳定性高。CNN–GRU与GRU对涉及多人或重叠活动模式的类别产生更清晰的对角主导混淆矩阵。结论：当CSI信号含复杂多人交互时，时态建模及卷积–循环混合处理有利。

位置感知活动识别——仅活动标签（Experiment 4）：GRU最优（准确率87.0%、灵敏度87.0%），CNN 79.0%，CNN–GRU 76.0%，MLP 72.0%。静态类较易识别，行走与低运动状态易混淆；MLP难以分离具细微时态变化的活动中，GRU通过建模序列依赖提供更强类别区分。结论：位置相关CSI变化与活动相关信号变化共存时循环模型有用。

位置–活动联合精细分类（Experiment 5）：GRU最高（准确率89.0%、F1值88.0%、精确率89.0%、灵敏度90.0%）；CNN–GRU 77.0%，CNN 76.0%，MLP 71.0%。误差集中于具相似活动模式或邻近区域CSI特征的类别。结论：标签空间同时含活动与空间区域变化时，时态依赖更为重要。

计算复杂度分析：MLP因CSI输入扁平化致参数量与模型体积最大但不保证性能最优；CNN在大多数数据集上推理时间短、模型适中，提供有利精度–效率平衡；GRU在跌倒风险与位置感知实验中性能强但因序列处理致训练时间与推理延迟较高；CNN–GRU在Dataset 3最优但未全数据集一致占优，其益处取决于数据集结构与任务复杂度。

讨论与结论翻译

本研究局限包括未进行跨数据集泛化测试、统一训练设置不等同各架构单独最优调参、未涵盖注意力网络或Transformer等现代模型、仅使用CSI幅度信息未引入相位。未来方向含跨数据集/跨房间/跨时间迁移验证、系统超参数调优与统计显著性检验、引入注意力机制与轻量Transformer、融入相位信息与子载波选择、边缘设备实时推理优化及可复现代码发布。

研究结论：本研究在可控实验框架下对MLP、CNN、GRU及CNN–GRU架构于多个WiFi CSI数据集上进行了统一基线评估。结果表明DL模型在评估的数据集内设定下可有效用于CSI感知，但其性能强烈依赖于任务复杂度、输入表示及数据集特征。CNN在若干结构化活动识别设定中提供有效的精度–复杂度折衷；GRU在时态动态突出时（如跌倒风险估计与位置感知分类）表现更优；CNN–GRU在某些复杂多类别设定中有益但不全数据集一致占优；MLP可作简单基线但其扁平表示限制了对CSI时空结构的捕获能力。混淆矩阵分析进一步显示动态活动、低运动状态及区域依赖类别仍具挑战性。总体而言，模型选择应由感知任务与计算约束共同指导而非假设存在普适最优架构。本研究限于基于幅度的CSI及数据集内评估，未来工作应将基准扩展至跨环境验证、更强现代基线及面向部署的轻量化模型。