Resumen

Con la aparición de herramientas para extraer datos CSI de dispositivos comerciales de WiFi, la tecnología de reconocimiento de actividades sin dispositivo basada en CSI ha desarrollado rápidamente y se ha utilizado ampliamente en la monitorización de seguridad, hogares inteligentes, monitorización médica y otros campos. Sin embargo, los algoritmos de reconocimiento de actividades basados en CSI existentes necesitan una gran cantidad de muestras de entrenamiento para obtener la precisión de reconocimiento ideal. Para resolver el problema, se propone un método LSTM bidireccional basado en atención que utiliza características multidimensionales (llamado método MF-ABLSTM). En este método, se utilizan algoritmos de preprocesamiento de señales y transformada continua de ondícula para construir una matriz tiempo-frecuencia, la entropía de muestra se utiliza para caracterizar la característica estadística de las amplitudes de CSI, la diferencia de energía en un intervalo de tiempo fijo se utiliza para caracterizar la característica en el dominio del tiempo de las actividades, y la distribución de energía de diferentes componentes de frecuencia se utiliza para caracterizar la característica en

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Csi; Reconocimiento de actividad; Dispositivos wifi; Lstm bidireccional; Características multidimensionales; Muestras de entrenamiento
• Keywords:Csi; Activity recognition; Wifi devices; Bidirectional lstm; Multidimensional features; Training samples