Progressi nella rilevazione wireless per il riconoscimento delle attività umane

La rilevazione wireless è un campo tecnologico in crescita che usa le reti wireless esistenti, come il WiFi, per rilevare cambiamenti nell'ambiente. Questa tecnologia ha guadagnato popolarità grazie alla sua capacità di osservare attività senza bisogno di telecamere o dispositivi indossabili, che possono violare la privacy delle persone.

Uno degli usi chiave della rilevazione wireless è il Riconoscimento delle Attività Umane (HAR). L'HAR si riferisce al processo di rilevamento e classificazione delle attività che le persone svolgono in ambienti interni. Utilizzando segnali wireless, è possibile rilevare quante persone ci sono in una stanza, i loro movimenti e persino azioni specifiche come sedersi o saltare.

#Importanza delle Reti Wireless nella Rilevazione

Le reti wireless sono ampiamente usate in tutto il mondo, rendendole un'opzione accessibile e pratica per applicazioni di rilevazione. A differenza dei metodi tradizionali di monitoraggio che si basano su telecamere o sensori posizionati sugli individui, la rilevazione wireless può valutare le attività preservando la privacy. Questo aspetto è particolarmente importante in scenari in cui le persone potrebbero non voler essere osservate.

Le reti wireless, in particolare quelle che utilizzano una tecnologia chiamata multiplexing a divisione di frequenza ortogonale (OFDM), possono fornire dati preziosi per la rilevazione. I due principali tipi di dati derivati da queste reti sono l'Indicator di Forza del Segnale Ricevuto (RSSI) e le Informazioni sullo stato del canale (CSI). Mentre l'RSSI può essere influenzato da vari fattori, il CSI è spesso più affidabile, rendendolo un'opzione preferita per le applicazioni di rilevazione.

#Informazioni sullo Stato del Canale (CSI)

Il CSI descrive come i segnali wireless si comportano mentre viaggiano attraverso l'ambiente. Fornisce informazioni sia sulla forza che sulla fase dei segnali ricevuti. Sebbene la forza del segnale sia utile, la fase del segnale può offrire ulteriori spunti sull'ambiente circostante, come come viene influenzato da persone e oggetti.

Tuttavia, utilizzare i dati di fase può essere difficile a causa degli errori che possono verificarsi durante la trasmissione del segnale. Questi errori possono derivare da differenze di temporizzazione e frequenza tra i dispositivi di invio e ricezione. Correggere questi errori è fondamentale per letture accurate e per un riconoscimento affidabile delle attività.

#Metodi di Elaborazione della Fase

Per sfruttare efficacemente le informazioni di fase delle reti wireless, sono state sviluppate diverse tecniche di elaborazione. Un approccio comune è la trasformazione lineare (LT), che cerca di correggere i dati di fase attraverso aggiustamenti matematici. Questo metodo può aiutare a ridurre gli errori causati da problemi di sincronizzazione.

Un'altra tecnica ben nota è il filtro Savitzky-Golay (SG), che smussa il rumore nei dati per evidenziare tendenze utili. Questo filtro può operare sia nel dominio del tempo che nel dominio della frequenza per ottenere i risultati desiderati.

#Nuovo Metodo di Elaborazione: Smussatura del Tempo e Ricostruzione della Frequenza (TSFR)

È stato introdotto un nuovo metodo chiamato Smussatura del Tempo e Ricostruzione della Frequenza (TSFR) per migliorare l'accuratezza delle applicazioni HAR utilizzando i dati CSI. Questo metodo si basa su tecniche esistenti come LT e filtraggio SG affrontando le loro limitazioni.

Il metodo TSFR opera in diversi passaggi:

1. Sanificazione della Fase: Il primo passo è correggere la fase dei segnali ricevuti per rimuovere eventuali distorsioni causate da errori di sincronizzazione. Questo viene fatto utilizzando un approccio di regressione lineare per allineare correttamente i dati di fase.

2. Filtraggio Temporale: Una volta sanificata la fase, viene applicato un filtro Savitzky-Golay per smussare i dati di fase nel tempo. Questo passaggio mira a garantire che i dati rimangano coerenti e affidabili.

3. Ricostruzione della Frequenza: Dopo la smussatura, potrebbero esserci ancora imprecisioni nel dominio della frequenza a causa del processo di filtraggio. TSFR include un passaggio per regolare queste imprecisioni utilizzando informazioni sulla fase sanificata.

#Dataset per Testare il Metodo TSFR

Per valutare l'efficacia del metodo TSFR, sono stati creati e testati diversi dataset. Questi dataset includono vari scenari, come contare il numero di persone in una stanza o determinare le loro posizioni.

• Dataset A: Questo dataset è stato creato in una sala riunioni dove è stato utilizzato un trasmettitore (TX) e due ricevitori (RX). Le misurazioni sono state effettuate in base a diverse disposizioni di una a quattro persone sedute a un tavolo.

• Dataset B: Prelevato da un soggiorno, questo dataset riguardava una sedia posizionata in più luoghi. Le misurazioni sono state raccolte in base a se la sedia era occupata da una o due persone.

• Dataset Pubblici: Sono stati utilizzati anche altri dataset pubblicamente disponibili che includono scenari di persone che si muovono attraverso le stanze per scopi di test. Questi dataset forniscono dati sostanziali per addestrare i modelli e convalidare il metodo proposto.

#Testare Reti Neurali per HAR

Per valutare le prestazioni del metodo TSFR, sono stati impiegati due tipi di reti neurali:

1. Reti Neurali Completamente Collegate (FNN): Queste reti classificano i dati di fase del CSI elaborandoli simbolo per simbolo. La rete è costituita da diversi strati che aiutano a migliorare il processo di apprendimento e l'accuratezza della classificazione.

2. Reti Neurali Convoluzionali (CNN): In questo approccio, i dati CSI vengono raggruppati e poi trasformati in formati simili a immagini per l'elaborazione. La rete utilizza più strati convoluzionali per catturare caratteristiche all'interno dei dati e migliorare l'accuratezza del riconoscimento.

Inoltre, è stata implementata una strategia di apprendimento few-shot nota come ProtoNet per dataset specifici. Questa tecnica consente un rapido adattamento a nuovi compiti con solo un piccolo campione di dati.

#Risultati e Analisi delle Prestazioni

I risultati dei test del metodo TSFR mostrano miglioramenti significativi nell'accuratezza del riconoscimento delle attività. Attraverso vari dataset e scenari, il metodo TSFR ha superato le tecniche tradizionali di elaborazione della fase.

Ad esempio, utilizzando il metodo TSFR con una rete neurale completamente collegata, i tassi di accuratezza hanno superato il 90% in molti test. Il metodo ha anche mostrato promesse nei dataset sbilanciati, dove alcune classi potrebbero essere sottorappresentate, migliorando la classificazione di attività meno comuni.

Inoltre, le prestazioni del metodo TSFR sono rimaste costanti anche confrontando i dati di fase elaborati con i valori grezzi del CSI. I miglioramenti dall'uso del TSFR erano evidenti in termini di riduzione del rumore e miglioramento della chiarezza dei dati di fase.

#Conclusione

L'introduzione del metodo di elaborazione TSFR segna un significativo progresso nell'uso delle Informazioni sullo Stato del Canale per il riconoscimento delle attività umane attraverso la rilevazione wireless. Affrontando in modo efficace le sfide legate ai dati di fase, il TSFR offre un approccio affidabile che migliora l'accuratezza e la robustezza dei sistemi di riconoscimento delle attività.

Data la sua potenzialità, il metodo TSFR potrebbe trovare ulteriori applicazioni in vari campi che si basano sul monitoraggio delle attività umane, come la salute, la sicurezza e le case intelligenti. Inoltre, man mano che la tecnologia di rilevazione wireless continua a evolversi, metodi come il TSFR giocheranno probabilmente un ruolo cruciale nel garantire una raccolta di dati accurata e rispettosa della privacy in futuro.

In sintesi, il metodo TSFR dimostra che un’elaborazione efficace della fase può migliorare notevolmente le capacità delle tecnologie di rilevazione wireless, aprendo la strada a applicazioni e soluzioni innovative nel riconoscimento delle attività umane.