南京邮电大学学报(自然科学版)

作者：苏健,郑毓煌,陈思光

单位：南京信息工程大学 软件学院，江苏 南京 210044南京信息工程大学 软件学院，江苏 南京 210044南京邮电大学 物联网学院， 江苏 南京 210003

关键词：人体动作识别；信道状态信息；深度学习；卷积神经网络；门控循环单元；注意力机制

基金：国家自然科学基金（61802196）资助项目

WiFi的信道状态信息（CSI）在人体动作识别（HAR）领域具有广泛的应用前景。目前基于CSI的HAR大多在准确率以及不同环境中的鲁棒性上存在不足。针对这类问题，提出了一种结合卷积神经网络、门控循环单元以及注意力机制的复合人体动作识别模型（CGAC）。首先使用CNN对输入数据进行时序特征提取，通过池化操作减小特征尺寸，再使用BiGRU对时序特征进行建模，通过注意力机制增强对关键特征的关注度。在3个公开数据集进行实验，CGAC在UT-HAR数据集中达到了99.70%的准确率，在NTU-Fi的HAR数据集中达到了97.50%的准确率，在Human-ID数据集上达到了97.81%的准确率，实验结果表明CGAC模型高于该领域现有方法的准确率，证明了方法的有效性。

来源：2024年第06期

《南京邮电大学学报(自然科学版)》期刊编辑部

查看南京邮电大学学报(自然科学版)杂志2024年第06期