Fortschritte in der drahtlosen Sensorik zur Erkennung menschlicher Aktivitäten

Kabelloses Sensing ist ein aufkommendes Technologiegebiet, das bestehende drahtlose Netzwerke wie WiFi nutzt, um Veränderungen in der Umgebung zu erkennen. Diese Technologie hat an Beliebtheit gewonnen, weil sie Aktivitäten beobachten kann, ohne Kameras oder tragbare Geräte zu benötigen, die die Privatsphäre von Menschen beeinträchtigen können.

Eine der Hauptanwendungen von kabellosem Sensing ist die Erkennung menschlicher Aktivitäten (HAR). HAR bezieht sich auf den Prozess, Aktivitäten zu erkennen und zu klassifizieren, die Menschen in Innenräumen ausführen. Mit drahtlosen Signalen kann man erkennen, wie viele Personen sich in einem Raum befinden, deren Bewegungen und sogar spezifische Aktionen wie Sitzen oder Springen.

#Bedeutung von drahtlosen Netzwerken im Sensing

Drahtlose Netzwerke sind weltweit weit verbreitet, was sie zu einer zugänglichen und praktischen Option für Sensing-Anwendungen macht. Im Gegensatz zu traditionellen Überwachungsmethoden, die auf Kameras oder Sensoren angewiesen sind, die an Personen angebracht sind, kann kabelloses Sensing Aktivitäten bewerten und dabei die Privatsphäre wahren. Dieser Aspekt ist besonders wichtig in Szenarien, in denen Personen nicht beobachtet werden wollen.

Drahtlose Netzwerke, insbesondere solche, die eine Technologie namens Orthogonal Frequency-Division Multiplexing (OFDM) verwenden, können wertvolle Daten für das Sensing bereitstellen. Zwei Hauptdatentypen, die aus diesen Netzwerken abgeleitet werden, sind der Received Signal Strength Indicator (RSSI) und die Channel State Information (CSI). Während RSSI von verschiedenen Faktoren beeinflusst werden kann, ist CSI oft zuverlässiger, was es zur bevorzugten Option für Sensing-Anwendungen macht.

#Channel State Information (CSI)

CSI beschreibt, wie sich drahtlose Signale verhalten, während sie sich durch die Umgebung bewegen. Es liefert Informationen über sowohl die Stärke als auch die Phase der empfangenen Signale. Während die Signalstärke nützlich ist, kann die Phase des Signals noch tiefere Einblicke in die Umgebung bieten, zum Beispiel wie sie von Menschen und Objekten beeinflusst wird.

Allerdings kann es herausfordernd sein, die Phasendaten zu verwenden, da Fehler während der Signalübertragung auftreten können. Diese Fehler können durch Unterschiede in Timing und Frequenz zwischen den sendenden und empfangenden Geräten entstehen. Diese Fehler zu korrigieren, ist entscheidend für genaue Messungen und zuverlässige Aktivitätserkennung.

#Phasenverarbeitungsmethoden

Um die Phaseninformationen aus drahtlosen Netzwerken effektiv zu nutzen, wurden verschiedene Verarbeitungstechniken entwickelt. Ein gängiger Ansatz ist die lineare Transformation (LT), die versucht, die Phasendaten durch mathematische Anpassungen zu korrigieren. Diese Methode kann helfen, Fehler, die durch Synchronisationsprobleme verursacht werden, zu reduzieren.

Eine weitere bekannte Technik ist der Savitzky-Golay (SG) Filter, der Rauschen in den Daten glättet, um nützliche Trends hervorzuheben. Dieser Filter kann entweder im Zeitbereich oder im Frequenzbereich arbeiten, um die gewünschten Ergebnisse zu erzielen.

#Neue Verarbeitungsmethode: Zeitglättung und Frequenzrekonstruktion (TSFR)

Eine neue Methode namens Zeitglättung und Frequenzrekonstruktion (TSFR) wurde eingeführt, um die Genauigkeit von HAR-Anwendungen mit CSI-Daten zu verbessern. Diese Methode baut auf bestehenden Techniken wie LT und SG-Filterung auf und geht deren Einschränkungen an.

Die TSFR-Methode arbeitet in mehreren Schritten:

1. Phasenbereinigung: Der erste Schritt besteht darin, die Phase der empfangenen Signale zu korrigieren, um Verzerrungen, die durch Synchronisationsfehler verursacht werden, zu entfernen. Dies geschieht mithilfe eines linearen Regressionsansatzes, um die Phasendaten richtig auszurichten.

2. Zeitfilterung: Nachdem die Phase bereinigt wurde, wird ein Savitzky-Golay-Filter angewendet, um die Phasendaten über die Zeit zu glätten. Dieses Schritt zielt darauf ab, sicherzustellen, dass die Daten konsistent und zuverlässig bleiben.

3. Frequenzrekonstruktion: Nach der Glättung können im Frequenzbereich aufgrund des Filterprozesses immer noch Ungenauigkeiten bestehen. TSFR beinhaltet einen Schritt zur Anpassung dieser Ungenauigkeiten, indem Informationen über die bereinigte Phase verwendet werden.

#Datensätze zur Testung der TSFR-Methode

Um die Effektivität der TSFR-Methode zu bewerten, wurden mehrere Datensätze erstellt und getestet. Diese Datensätze umfassen verschiedene Szenarien, wie das Zählen der Anzahl von Personen in einem Raum oder das Bestimmen ihrer Positionen.

• Datensatz A: Dieser Datensatz wurde in einem Besprechungsraum erstellt, wo ein Sender (TX) und zwei Empfänger (RXs) verwendet wurden. Die Messungen basierten auf unterschiedlichen Anordnungen von einer bis vier Personen, die an einem Tisch sassen.

• Datensatz B: Entnommen aus einem Wohnzimmer, beinhaltete dieser Datensatz einen Stuhl, der an mehreren Orten platziert war. Die Messungen wurden gesammelt, basierend darauf, ob der Stuhl von einer oder zwei Personen belegt war.

• Öffentliche Datensätze: Andere öffentlich verfügbare Datensätze, die Szenarien von Personen beinhalten, die durch Räume gehen, wurden ebenfalls für Testzwecke genutzt. Diese Datensätze bieten umfassende Daten zur Schulung der Modelle und zur Validierung der vorgeschlagenen Methode.

#Testen neuronaler Netzwerke für HAR

Um die Leistung der TSFR-Methode zu bewerten, wurden zwei Arten von neuronalen Netzwerken eingesetzt:

1. Vollständig verbundene neuronale Netzwerke (FNN): Diese Netzwerke klassifizieren die Phasendaten aus dem CSI, indem sie sie symbolweise verarbeiten. Das Netzwerk besteht aus mehreren Schichten, die helfen, den Lernprozess zu verbessern und die Klassifizierungsgenauigkeit zu steigern.

2. Faltung neuronaler Netzwerke (CNN): In diesem Ansatz werden die CSI-Daten gruppiert und dann in bildähnliche Formate für die Verarbeitung umgewandelt. Das Netzwerk verwendet mehrere Faltungsschichten, um Merkmale innerhalb der Daten zu erfassen und die Erkennungsgenauigkeit zu verbessern.

Ausserdem wurde eine Few-Shot-Lernstrategie, die als ProtoNet bekannt ist, für spezifische Datensätze implementiert. Diese Technik ermöglicht eine schnelle Anpassung an neue Aufgaben mit nur einer kleinen Datenstichprobe.

#Ergebnisse und Leistungsanalyse

Die Ergebnisse der Tests mit der TSFR-Methode zeigen signifikante Verbesserungen in der Genauigkeit der Aktivitätserkennung. Über verschiedene Datensätze und Szenarien hinweg übertraf die TSFR-Methode traditionelle Phasenverarbeitungstechniken.

Zum Beispiel, als die TSFR-Methode zusammen mit einem vollständig verbundenen neuronalen Netzwerk verwendet wurde, überstiegen die Genauigkeitsraten in vielen Tests 90%. Die Methode zeigte auch Potenzial in unausgewogenen Datensätzen, in denen einige Klassen möglicherweise unterrepräsentiert sind, was dabei hilft, die Klassifizierung seltener Aktivitäten zu verbessern.

Darüber hinaus blieb die Leistung der TSFR-Methode konstant, selbst wenn verarbeitete Phasendaten mit rohen CSI-Werten verglichen wurden. Die Verbesserungen durch die Verwendung von TSFR waren in Bezug auf geringeres Rauschen und verbesserte Klarheit der Phasendaten offensichtlich.

#Fazit

Die Einführung der TSFR-Verarbeitungsmethode stellt einen bedeutenden Fortschritt bei der Nutzung von Channel State Information für die Erkennung menschlicher Aktivitäten durch kabelloses Sensing dar. Indem sie die Herausforderungen bei den Phasendaten effektiv angeht, bietet TSFR einen zuverlässigen Ansatz, der die Genauigkeit und Robustheit von Aktivitätserkennungssystemen verbessert.

Angesichts ihres Potenzials könnte die TSFR-Methode weitere Anwendungen in verschiedenen Bereichen finden, die auf die Überwachung menschlicher Aktivitäten angewiesen sind, wie Gesundheitspflege, Sicherheit und Smart Homes. Ausserdem werden Methoden wie TSFR wahrscheinlich eine entscheidende Rolle bei der Gewährleistung einer genauen und datenschutzfreundlichen Datensammlung in der Zukunft spielen, während sich die Technologie des kabellosen Sensors weiterentwickelt.

Zusammenfassend zeigt die TSFR-Methode, dass effektive Phasenverarbeitung die Fähigkeiten kabelloser Sensortechnologien erheblich verbessern kann und den Weg für innovative Anwendungen und Lösungen in der Erkennung menschlicher Aktivitäten ebnet.