CN112101184B - 一种基于半监督学习的无线跨域动作识别方法 - Google Patents

一种基于半监督学习的无线跨域动作识别方法 Download PDF

Info

Publication number
CN112101184B
CN112101184B CN202010950803.9A CN202010950803A CN112101184B CN 112101184 B CN112101184 B CN 112101184B CN 202010950803 A CN202010950803 A CN 202010950803A CN 112101184 B CN112101184 B CN 112101184B
Authority
CN
China
Prior art keywords
sample
samples
label
classification
clustering
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN202010950803.9A
Other languages
English (en)
Other versions
CN112101184A (zh
Inventor
周瑞
龚子元
刘宇轩
唐凯
周保
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010950803.9A priority Critical patent/CN112101184B/zh
Publication of CN112101184A publication Critical patent/CN112101184A/zh
Application granted granted Critical
Publication of CN112101184B publication Critical patent/CN112101184B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Signal Processing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提出了一种基于半监督学习的无线跨域动作识别方法，根据人体动作对无线信号产生影响的原理，从WiFi信号的CSI数据中提取各子载波的幅值信息进行动作识别。为了解决不易获得大量标注数据的问题，本发明只对少量动作样本标注真实动作标签，然后通过DTW算法计算无标签样本与带标签样本之间的相似度，为无标签样本贴上伪标签，从而扩大训练样本集。为增加动作识别模型的泛化性，实现不同位置或不同人动作识别，本发明提出分类‑聚类综合模型，建立SOM网络对动作样本进行聚类，结合分类和聚类的结果对样本进行最终分类。本发明降低了监督学习模型对大量带标签样本的依赖性，仅使用少量带标签样本结合无标签样本来训练分类模型，具有较高泛化性，能够实现跨域动作识别。

Description

一种基于半监督学习的无线跨域动作识别方法
技术领域
本发明涉及一种基于无线信号的动作识别方法，尤其涉及一种基于商用WiFi的采用元学习和半监督学习的跨域动作识别方法。
背景技术
动作识别在人们的日常生活中具有重要意义。随着物联网、普适计算、图形图像、人工智能等领域的迅猛发展，通过技术手段精确识别人的动作已经成为可能并逐渐获得广泛应用。通过动作识别监测人们的日常行为活动，能够有效保证人们日常生活中的健康和安全。目前常用的动作识别技术主要基于视频监控或者内置传感器的可穿戴设备。视频监控方法需要在有光和无遮挡条件下才能正常工作，在无光、弱光或者有障碍物遮挡的情况下难以进行识别。此外，视频监控方法存在隐私泄露风险，不适合部署在卫生间、浴室等私密场景。基于可穿戴设备的动作识别方法不存在隐私侵犯问题，对光线条件没有要求，但是需要人们时刻佩戴该可穿戴设备才能进行识别，带来诸多不便。
鉴于视频监控和可穿戴设备方法的问题，本发明基于WiFi信号进行日常动作识别，如跑、跳、走、蹲下、起立、跌倒等。WiFi信号具有普适性和穿透性，能够有效解决弱光、无光及遮挡情况下的动作识别，且不存在隐私侵犯，也不需要人们穿戴任何设备，是一种低成本、无侵犯、极具前景的动作识别方法。
本发明通过采集商用WiFi设备中的信道状态信息(Channel State Information,CSI)进行动作识别。CSI是一种细粒度物理层信息，描述信号在每条传输路径上的衰弱因子，能够反映信号散射、环境衰弱、距离衰减等信息。利用CSI可以感知环境中的细微变化。当人在覆盖WiFi的空间内进行不同动作时，会对WiFi信号的传播造成不同影响，使得采集到的CSI幅值和相位发生不同变化。根据此原理，我们就可以通过分析CSI数据来进行动作识别。
现有的基于CSI的动作识别方法大多是采集大量动作样本数据，并标注相应的动作标签，通过这些大量的带标签的样本数据训练分类器来对不同动作进行分类识别。这是一种监督学习的方法，其缺点在于：(1)需要大量的带标签的样本数据来训练识别模型，而带标签样本数据的采集和标注成本较高；(2)单一分类器的分类性能和泛化性能较差，当识别来自不同域(如不同位置或不同人)的动作时，分类能力大幅度降低。
发明内容
本发明所要解决的技术问题是，提出了一种依靠少量的带标签样本数据和集成学习模型来实现跨域的无线人员动作识别的方法。
本发明为解决上述技术问题所采用的技术方案是，一种基于半监督学习的无线跨域动作识别方法，包括以下步骤：
1)动作识别环境部署，在识别环境中部署一对支持正交频分复用OFDM和多入多出MIMO的WiFi发射机和WiFi接收机；
2)采集各个域在执行各种动作期间的CSI数据，从CSI数据中提取各子载波幅值作为动作样本；
3)选择部分动作样本标注真实动作标签，形成带标签样本集以及对应标签集；其余动作样本不标注动作标签，形成无标签样本集；
4)基于带标签样本集对无标签样本进行伪标注：
4-1)将每个带标签样本作为一个模板；
计算各无标签样本与每个模板之间的动态时间规整DTW距离值，获得每个无标签样本对应的DTW距离向量，再将该距离向量中的DTW距离值从小到大排序，得到排序后的DTW距离向量；
Figure BDA0002676808650000021
其中，
Figure BDA0002676808650000022
表示第j个无标签样本对应的排序后的DTW距离向量，ri为排序后的DTW距离向量中DTW距离值的序号，ri的取值范围为1至M，M为带标签样本数量，
Figure BDA0002676808650000026
表示第j个无标签样本与第ri近模板的DTW距离值；
4-2)根据排序后的DTW距离向量
Figure BDA0002676808650000023
计算无标签样本与排序后的DTW距离向量
Figure BDA0002676808650000024
中各模板之间的相似度
Figure BDA0002676808650000025
Figure BDA0002676808650000031
4-3)按照模板的标签类别对相似度
Figure BDA0002676808650000032
进行归类，将具有相同标签的相似度
Figure BDA0002676808650000033
进行累加，得到无标签样本对应各标签类别的总相似度；最后将最高相似度得分所对应的标签作为该无标签样本的伪标签；
5)训练步骤：将带有真实标签的样本集和贴有伪标签的样本集一起作为样本集合，将样本集合分为训练集与验证集，将训练集输入动作识别分类器中完成训练；
6)验证步骤：将验证集中的验证样本输入训练好的动作识别分类器中，得到分类结果；
7)聚类步骤：建立自组织映射网络SOM做聚类模型，对验证样本进行聚类；
8)分类－聚类综合步骤：结合动作识别分类器的分类结果和聚类结果，得到最终的验证样本的分类结果，验证样本的分类结果为动作识别结果。
本发明根据人体动作对无线信号产生影响的原理，从WiFi信号的CSI数据中提取各子载波的幅值信息进行动作识别。为了解决不易获得大量标注数据的问题，本发明只对少量动作样本标注真实动作标签，然后通过DTW算法计算无标签样本与带标签样本之间的相似度，为无标签样本贴上伪标签，从而扩大训练样本集。为增加动作识别模型的泛化性，本发明提出分类-聚类综合模型，建立SOM网络对动作样本进行聚类，结合分类和聚类的结果对样本进行最终分类。
进一步的，为提高跨域动作识别精度，本发明采用集成学习方法，建立多个基分类器，通过元学习集成多分类器的分类结果，从而获得更加精确的动作识别结果。由于动作样本是时序数据，所以选择BLSTM作为基分类器。元学习器用来组合各基分类器的结果，选择使用三层多层感知机MLP。
本发明的有益效果是，降低了监督学习模型对大量带标签样本的依赖性，仅使用少量带标签样本结合无标签样本来训练分类模型。基于元学习器的集成学习模型与聚类模型的组合增强了动作识别针对不同位置和人等的跨域泛化能力。
附图说明
图1为实验场景示意图。
图2为整体框架流程图。
具体实施方式
本发明需要在覆盖WiFi的环境中进行，在识别环境中布置一台WiFi发射机和一台WiFi接收机，支持OFDM和MIMO技术。为了获得CSI信息，发射机和接收机都配置有IntelWireless Link 5300agn(IWL5300)无线网卡，且各配置3根天线用于收发信号，因此共可以获取9个天线对的数据。利用CSI tools工具包能够从IWL5300网卡中获取CSI信息，其中从每个天线对中可以获取30组子载波信息，共计270组子载波。实验环境示意图如图1所示。
实施例基于半监督学习、元学习、集成学习进行动作识别。首先采用动态时间归整DTW算法计算无标签样本与有标签样本之间的距离，为无标签样本贴上伪标签，从而扩大训练集的规模。然后建立多个分类器作为基分类器进行动作识别，通过元学习器组合多个基分类器的结果得到分类结果。这里的分类结果并不需要局限于元学习模型，其他的机器学习方式也同样适用。之后，分类结果通过自组织映射SOM网络聚类进一步修正识别结果。
具体实施步骤如图2所示：
步骤1：在部署WiFi发射机和WiFi接收机的空间内采集CSI动作数据，选取若干域(不同位置、不同人等)来执行若干动作(跑、跳、走、蹲下、起立、跌倒等)，每种动作执行若干次，每个动作样本至少采集10秒，采样率为100Hz。每个动作样本中包含CSI各子载波的幅值，即x＝(h1,h2,...,hL)，x代表一个动作样本，hi代表子载波i的幅值，L代表子载波个数，本实验环境中为270。
步骤2：从每种动作的样本数据中选取少量样本标注真实动作标签，形成带标签样本集
Figure BDA0002676808650000041
带标签样本数量为M，对应标签集为Y＝{yi}K，标签种类数为K，其余数据不标注动作标签，作为无标签样本集
Figure BDA0002676808650000042
样本数量为N，i表示带标签样本的序号，取值范围为1至M，j表示无标签样本序号，取值范围为1至N。
步骤3：基于半监督学习思想，采用DTW算法为无标签样本贴上伪标签，从而增大训练样本集，包括以下步骤：
步骤3-1：建立DTW模板库，将每一个带标签样本
Figure BDA0002676808650000051
作为DTW模板库中的一个模板；
步骤3-2：对每一个无标签样本
Figure BDA0002676808650000052
计算它与DTW模板库中每一个模板
Figure BDA0002676808650000053
的DTW距离dij：
Figure BDA0002676808650000054
计算得到所有无标签样本和所有模板之间的DTW距离矩阵D：
Figure BDA0002676808650000055
步骤3-3：每个无标签样本
Figure BDA0002676808650000056
所对应的DTW距离向量Dj为：
Dj＝(d1j,d2j,…,dMj)
将DTW距离向量Dj中的距离值按照从小到大排序，得到排序后的DTW距离向量
Figure BDA0002676808650000057
Figure BDA0002676808650000058
其中，sort为排序函数，
Figure BDA0002676808650000059
表示与无标签样本
Figure BDA00026768086500000510
第ri近模板的距离，该距离对应的模板为
Figure BDA00026768086500000511
标签为
Figure BDA00026768086500000512
步骤3-4：根据排好序的DTW距离向量
Figure BDA00026768086500000513
计算无标签样本
Figure BDA00026768086500000514
与该向量中模板之间的相似度
Figure BDA00026768086500000515
将距离的倒数
Figure BDA00026768086500000516
作为基础相似得分，将距离排序后的顺序
Figure BDA00026768086500000517
作为影响因子，无标签样本
Figure BDA00026768086500000518
与模板
Figure BDA00026768086500000519
的相似度
Figure BDA00026768086500000520
的计算方式为：
Figure BDA0002676808650000061
上式表明：模板距离越近则影响越大，最近的模板影响因子为1，最远的模板影响因子为
Figure BDA0002676808650000062
步骤3-5：按照标签类别对相似度进行归类，对具有相同标签的
Figure BDA0002676808650000063
累加，得到无标签样本
Figure BDA0002676808650000064
对标签yk的总相似度
Figure BDA0002676808650000065
Figure BDA0002676808650000066
k表示标签种类的序号，取值范围1到K；
步骤3-6：将最高相似度得分所对应的标签作为无标签样本
Figure BDA0002676808650000067
的伪标签，即：
Figure BDA0002676808650000068
步骤4：基于集成学习思想，将带有真实标签的样本集Xl和贴有伪标签的样本集Xu合在一起，根据基于标签与样本之间的关系建立的集成分类模型，集成分类器的训练包括以下步骤：
步骤4-1：集成分类器中包括W(W＝6)个基分类器，每个基分类器均采用BLSTM网络，每个BLSTM网络包含1个输入层、1个隐藏层和1个输出层，输入层的维度为270，序列步长为200，隐藏层节点数为128，输出层的节点数为动作类别数K；
步骤4-2：对每个基分类器进行训练，将包含真实标签样本和伪标签样本的数据集划分成训练集和验证集。划分方法采用自助采样法，每次有放回地从样本集中随机选择一个样本放入到训练集中，重复若干次，从未被采样到的样本放入到验证集中。这样每个基分类器的训练集和验证集均有所差别，其分类能力也有所差异。第i个基分类器可表示为：
Figure BDA0002676808650000069
其中，Pi＝(p1,p2,...,pK)代表分类器BLSTMi的分类结果，即样本分类到每一类动作标签的概率分布，
Figure BDA00026768086500000610
是BLSTMi的训练集，Yi t是训练集对应的标签集，
Figure BDA00026768086500000611
是BLSTMi的验证集，Yi v是验证集对应的标签集，θi是BLSTMi的参数。
步骤4-3：构建元学习器将W个基分类器的分类结果组合起来。元学习器是一个3层MLP，输入层节点数为K×W，输出层节点数为K，隐藏层节点数为
Figure BDA0002676808650000071
元学习器的训练集和验证集分别为Xt和Xv，元学习器可表示为：
Yc＝mLearner(BLSTM1,BLSTM2,…,BLSTMW；θm)
Figure BDA0002676808650000072
代表元学习器的分类结果，
Figure BDA0002676808650000073
表示第i个验证样本
Figure BDA0002676808650000074
经过元学习器分类后的类别，i的取值范围是1至V，V是验证样本总个数，θm为元学习器的参数。从元学习器中获得更为详细的每个样本被分类成各类别标签的概率矩阵Pc：
Figure BDA0002676808650000075
Figure BDA0002676808650000076
表示验证样本
Figure BDA0002676808650000077
经过元学习器后被分成类别yk的概率：
Figure BDA0002676808650000078
步骤5：为了减少样本对标签的依赖性，本发明还考虑样本与样本之间的相互关系，对样本进行聚类分析，提出分类－聚类综合模型，对动作样本进行更加准确的识别。包括以下步骤：
步骤5-1：建立自组织特征映射SOM网络对所有验证样本进行聚类，SOM网络将相似样本聚成一类，将差异较大的样本分成不同类，经过SOM网络后的聚类结果为：
G＝SOM(Xv)＝(G1,G2,...,GZ)
表明验证样本集被聚成Z个类簇，
表示第z个类簇，z表示类簇的类型序号，取值范围为1到Z。
步骤5-2：对每一个类簇计算其属于各个标签类别的概率，作为该类簇中每个样本的聚类得分。令
Figure BDA0002676808650000079
表示第z个类簇Gz属于类别yk的概率，则有：
Figure BDA0002676808650000081
|Gz|表示第z个类簇Gz中的样本总个数，
Figure BDA0002676808650000082
表示第z个类簇Gz中第j个样本xzj经过元学习器分类后的类别；
对第z个类簇Gz中的每个样本xzj，该样本的聚类得分等于该类簇的得分，即：
Figure BDA0002676808650000083
对每个类簇中的样本都统计聚类得分，获得所有的V个样本的聚类得分矩阵Pg：
Figure BDA0002676808650000084
步骤6：综合分类模型的分类得分矩阵Pc和聚类模型的聚类得分矩阵Pg，计算得到最终的综合分类得分矩阵：
Figure BDA0002676808650000085
其中α为调节因子。验证样本的最终分类结果向量为Y＝(y1,y2,...,yV)，且
Figure BDA0002676808650000086

Claims (6)

1.一种基于半监督学习的无线跨域动作识别方法，其特征在于，包括以下步骤：
1)动作识别环境部署，在识别环境中部署一对支持正交频分复用OFDM和多入多出MIMO的WiFi发射机和WiFi接收机；
2)采集各个域在执行各种动作期间的CSI数据，从CSI数据中提取各子载波幅值作为动作样本；
3)选择部分动作样本标注真实动作标签，形成带标签样本集；其余动作样本不标注动作标签，形成无标签样本集；
4)基于带标签样本集对无标签样本进行伪标注：
4-1)将每个带标签样本作为一个模板；
计算各无标签样本与每个模板之间的动态时间规整DTW距离值，获得每个无标签样本对应的DTW距离向量，再将该距离向量中的DTW距离值从小到大排序，得到排序后的DTW距离向量；
Figure FDA0002676808640000011
其中，
Figure FDA0002676808640000012
表示第j个无标签样本对应的排序后的DTW距离向量，ri为排序后的DTW距离向量中DTW距离值的序号，ri的取值范围为1至M，M为带标签样本数量，drij表示第j个无标签样本与第ri近模板的DTW距离值；
4-2)根据排序后的DTW距离向量
Figure FDA0002676808640000013
计算无标签样本与排序后的DTW距离向量
Figure FDA0002676808640000014
中各模板之间的相似度srij：
Figure FDA0002676808640000015
4-3)按照模板的标签类别对相似度srij进行归类，将具有相同标签的相似度srij进行累加，得到无标签样本对应各标签类别的总相似度；最后将最高相似度得分所对应的标签作为该无标签样本的伪标签；
5)训练步骤：将带有真实标签的样本集和贴有伪标签的样本集一起作为样本集合，将样本集合分为训练集与验证集，将训练集输入动作识别分类器中完成训练；
6)验证步骤：将验证集中的验证样本输入训练好的动作识别分类器中，得到分类结果；
7)聚类步骤：建立自组织映射网络SOM做聚类模型，对验证样本进行聚类；
8)分类－聚类综合步骤：结合动作识别分类器的分类结果和聚类结果，得到最终的验证样本的分类结果，验证样本的分类结果为动作识别结果。
2.如权利要求1所述方法，其特征在于，分类－聚类综合步骤中结合动作识别分类器的分类结果和聚类结果的具体方法是：综合分类模型的分类得分矩阵Pc和聚类模型的聚类得分矩阵Pg，计算得到综合分类得分矩阵Ps，从而得到验证样本最终的分类结果；
Ps＝α×Pc+(1-α)×Pg
其中，α为调节因子，取值范围0到1。
3.如权利要求2所述方法，其特征在于，聚类得分矩阵Pg的具体计算方法为：
对每一个聚类得到的类簇Gz计算其属于各个标签类别的概率
Figure FDA0002676808640000021
作为该类簇中每个样本的聚类得分：
Figure FDA0002676808640000022
Figure FDA0002676808640000023
表示第z个类簇Gz属于标签yk的概率，|Gz|表示第z个类簇Gz中的样本总个数，
Figure FDA0002676808640000024
表示第z个类簇Gz中第j个样本xzj经过动作识别分类器分类后的类别，k表示标签种类的序号；
第z个类簇Gz中的每个样本xzj的聚类得分
Figure FDA0002676808640000025
再统计样本在每个类簇中的聚类得分，从而获得验证样本的聚类得分矩阵Pg。
4.如权利要求1所述方法，其特征在于，动作识别分类器包括若干基分类器和元学习器，基分类器采用双向长短时记忆BLSTM结构输出基分类器的分类结果至元学习器，元学习器用于集成若干基分类器的分类结果后作为动作识别分类器的分类结果输出。
5.如权利要求4所述方法，其特征在于，BLSTM结构包含1个输入层、1个隐藏层和1个输出层，输入层的维度为270，序列步长为200，隐藏层节点数为128，输出层的节点数为K，K为标签种类的总数。
6.如权利要求4所述方法，其特征在于，元学习器包括1个输入层、1个隐藏层和1个输出层，输入层节点数为K×W，隐藏层节点数为
Figure FDA0002676808640000031
输出层节点数为K，其中W为基分类器个数，K为标签种类的总数。
CN202010950803.9A 2020-09-11 2020-09-11 一种基于半监督学习的无线跨域动作识别方法 Expired - Fee Related CN112101184B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010950803.9A CN112101184B (zh) 2020-09-11 2020-09-11 一种基于半监督学习的无线跨域动作识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010950803.9A CN112101184B (zh) 2020-09-11 2020-09-11 一种基于半监督学习的无线跨域动作识别方法

Publications (2)

Publication Number Publication Date
CN112101184A CN112101184A (zh) 2020-12-18
CN112101184B true CN112101184B (zh) 2022-03-15

Family

ID=73751339

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010950803.9A Expired - Fee Related CN112101184B (zh) 2020-09-11 2020-09-11 一种基于半监督学习的无线跨域动作识别方法

Country Status (1)

Country Link
CN (1) CN112101184B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113392642B (zh) * 2021-06-04 2023-06-02 北京师范大学 一种基于元学习的育人案例自动标注系统及方法
CN113642457B (zh) * 2021-08-12 2023-04-07 合肥工业大学 一种基于对抗式元学习的跨场景人体动作识别方法
CN113869228A (zh) * 2021-09-29 2021-12-31 西北工业大学 一种动作识别方法
CN113688944B (zh) * 2021-09-29 2022-12-27 南京览众智能科技有限公司 一种基于元学习的图像识别方法
CN114676727B (zh) * 2022-03-21 2024-02-20 合肥工业大学 一种基于csi的与位置无关的人体活动识别方法
CN114676774A (zh) * 2022-03-25 2022-06-28 北京百度网讯科技有限公司 数据处理方法、装置、设备及存储介质
CN116824275B (zh) * 2023-08-29 2023-11-17 青岛美迪康数字工程有限公司 一种实现智能模型优化的方法、装置和计算机设备
CN117975567A (zh) * 2024-02-26 2024-05-03 北京天坦智能科技有限责任公司 一种基于少样本学习的自动WiFi跨域人类活动识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005114199A1 (en) * 2004-05-13 2005-12-01 Bayer Healthcare Ag Diagnostics and therapeutics for diseases associated with mitogen-activated protein kinase kinase kinase 5 (map3k5)
CN102129470A (zh) * 2011-03-28 2011-07-20 中国科学技术大学 标签聚类方法和系统
CN103020122A (zh) * 2012-11-16 2013-04-03 哈尔滨工程大学 一种基于半监督聚类的迁移学习方法
CN107563401A (zh) * 2017-03-03 2018-01-09 富士通株式会社 融合分类和聚类的集成分类识别方法
CN111177374A (zh) * 2019-12-13 2020-05-19 航天信息股份有限公司 一种基于主动学习的问答语料情感分类方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005114199A1 (en) * 2004-05-13 2005-12-01 Bayer Healthcare Ag Diagnostics and therapeutics for diseases associated with mitogen-activated protein kinase kinase kinase 5 (map3k5)
CN102129470A (zh) * 2011-03-28 2011-07-20 中国科学技术大学 标签聚类方法和系统
CN103020122A (zh) * 2012-11-16 2013-04-03 哈尔滨工程大学 一种基于半监督聚类的迁移学习方法
CN107563401A (zh) * 2017-03-03 2018-01-09 富士通株式会社 融合分类和聚类的集成分类识别方法
CN111177374A (zh) * 2019-12-13 2020-05-19 航天信息股份有限公司 一种基于主动学习的问答语料情感分类方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"一种信道状态信息下的复杂动态手势识别方法";党小超等;《小型微型计算机系统》;20200115;第41卷(第1期);第200-204页第2-3节 *
多标签符号型属性值划分的聚类方法;温柳英等;《山东大学学报(理学版)》;20200226;第55卷(第03期);第58-68页第2节 *

Also Published As

Publication number Publication date
CN112101184A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN112101184B (zh) 一种基于半监督学习的无线跨域动作识别方法
Chen et al. WiFi CSI based passive human activity recognition using attention based BLSTM
Sethy et al. Nitrogen deficiency prediction of rice crop based on convolutional neural network
CN105512640B (zh) 一种基于视频序列的人流量统计方法
Sobron et al. Device-free people counting in IoT environments: New insights, results, and open challenges
CN110097000A (zh) 基于局部特征聚合描述符和时序关系网络的视频行为识别方法
Zhang et al. CSI-based human activity recognition with graph few-shot learning
CN108093406A (zh) 一种基于集成学习的无线传感网入侵检测方法
Xu et al. Attention-based gait recognition and walking direction estimation in wi-fi networks
Zhang et al. CSI-based location-independent human activity recognition using feature fusion
CN108762503A (zh) 一种基于多模态数据采集的人机交互系统
Wenyuan et al. From Lens to Prism: Device-free modeling and recognition of multi-part activities
CN107451605A (zh) 一种基于信道状态信息和支持向量机的简单目标识别方法
CN111262637B (zh) 一种基于Wi-Fi信道状态信息CSI的人体行为识别方法
CN114781463A (zh) 一种跨场景鲁棒的室内摔倒无线检测方法及相关设备
CN116842460A (zh) 基于注意力机制与残差神经网络的咳嗽关联疾病识别方法和系统
CN114359577A (zh) 一种三维磁共振脑部图像分析方法及其应用
CN110955804B (zh) 一种针对用户时空数据行为检测的Adaboost方法
Wang et al. Human activity recognition using smart phone embedded sensors: A linear dynamical systems method
Tu et al. Dynamical ensemble learning with model-friendly classifiers for domain adaptation
CN115276857B (zh) 基于Cholesky分解和卷积神经网络相结合的全盲频谱检测方法
CN114970640B (zh) 一种基于知识蒸馏的手势识别方法及系统
CN114757237B (zh) 一种基于WiFi信号的速度无关步态识别方法
Bandyopadhyay et al. Generalizable Journey Mode Detection Using Unsupervised Representation Learning
Meng et al. GrapHAR: A Lightweight Human Activity Recognition Model by Exploring the Sub-carrier Correlations

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220315