摘 要：人體行為識(shí)別（Ｈｕｍａｎ Ａｃｔｉｖｉｔｙ Ｒｅｃｏｇｎｉｔｉｏｎ，ＨＡＲ）是當(dāng)前眾多研究工作的基石，對(duì)于推動(dòng)人機(jī)交互和智能數(shù)字化轉(zhuǎn)型具有巨大潛力。由于目標(biāo)域樣本較難采集，現(xiàn)有方法在跨域識(shí)別方面表現(xiàn)不佳。為解決這一問題，提出一種新的ＷｉＦｉ 使能跨域ＨＡＲ 方法，從ＷｉＦｉ 信號(hào)中獲取信道狀態(tài)信息（Ｃｈａｎｎｅｌ Ｓｔａｔｅ Ｉｎｆｏｒｍａｔｉｏｎ，ＣＳＩ）并轉(zhuǎn)化為圖像，在基于Ｗａｓｓｅｒｓｔｅｉｎ 距離和梯度的生成對(duì)抗網(wǎng)絡(luò)（Ｗａｓｓｅｒｓｔｅｉｎ Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ ｗｉｔｈ Ｇｒａｄｉｅｎｔ Ｐｅｎａｌｔｙ，ＷＧＡＮ-ＧＰ）中引入雙判別器，通過與源域樣本和單目標(biāo)域樣本特征聯(lián)合對(duì)抗，生成同時(shí)帶有雙域特征的虛擬樣本。該方法還結(jié)合基于Ｍｅａｎ Ｔｅａｃｈｅｒ 的半監(jiān)督學(xué)習(xí)設(shè)計(jì)識(shí)別分類（Ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ，ＲＣ）模塊，通過對(duì)有標(biāo)記樣本與無標(biāo)記樣本分別構(gòu)造損失函數(shù)，進(jìn)行整體一致性損失的評(píng)估，實(shí)現(xiàn)對(duì)目標(biāo)域樣本的識(shí)別。實(shí)驗(yàn)結(jié)果證明了所提方法能夠在減輕目標(biāo)域樣本采集壓力的同時(shí)，實(shí)現(xiàn)較高的檢測(cè)精度，在手勢(shì)與動(dòng)作的數(shù)據(jù)集上測(cè)試準(zhǔn)確率分別達(dá)到９２． ７１％ 和８６． ６５％ 。

關(guān)鍵詞：人體行為識(shí)別；生成對(duì)抗網(wǎng)絡(luò)；Ｍｅａｎ Ｔｅａｃｈｅｒ 模型；跨域識(shí)別

中圖分類號(hào)：ＴＮ９２ 文獻(xiàn)標(biāo)志碼：Ａ 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（ＯＳＩＤ）：

文章編號(hào)：１００３－３１１４（２０２４）０６－１１９２－０８

０ 引言

隨著移動(dòng)通信與物聯(lián)網(wǎng)的飛速發(fā)展，各種業(yè)務(wù)類型層出不窮。其中，全息遠(yuǎn)程呈現(xiàn)、無人駕駛、多感官互聯(lián)等新型業(yè)務(wù)對(duì)感知的需求愈發(fā)迫切，特別是人類活動(dòng)。區(qū)別于剛性物體例如汽車和建筑物，人類活動(dòng)對(duì)信號(hào)的傳播存在著更加復(fù)雜的影響［１］。相比于傳統(tǒng)感知方式，例如使用穿戴式傳感設(shè)備、對(duì)攝像內(nèi)容進(jìn)行分析檢測(cè)等，通感協(xié)同的方式能夠節(jié)約成本，減少隱私的泄露。這一技術(shù)在當(dāng)下蓬勃發(fā)展的人機(jī)交互領(lǐng)域有著廣泛的應(yīng)用前景，也可以在醫(yī)療告警及其他方面提供有力的技術(shù)支持，因此成為了當(dāng)前至關(guān)重要的一項(xiàng)研究。

目前，ＷｉＦｉ 信號(hào)是最常見的室內(nèi)無線信號(hào)［２］，可用于感知周圍環(huán)境。人體對(duì)無線信號(hào)有較好的反射特性，因此能夠穿墻的ＷｉＦｉ 信號(hào)在人體行為識(shí)別（Ｈｕｍａｎ Ａｃｔｉｖｉｔｙ Ｒｅｃｏｇｎｉｔｉｏｎ，ＨＡＲ）這一領(lǐng)域有諸多優(yōu)勢(shì)，包括方便性、簡(jiǎn)易性、隱私保護(hù)性以及設(shè)備的低成本。

通常來說，ＷｉＦｉ 信號(hào)主要用于通信，可以采用接收信號(hào)強(qiáng)度指示器（Ｒｅｃｅｉｖｅｄ Ｓｉｇｎａｌ Ｓｔｒｅｎｇｔｈ Ｉｎｄｉ-ｃａｔｏｒ，ＲＳＳＩ）［３］或信道狀態(tài)信息（Ｃｈａｎｎｅｌ Ｓｔａｔｅ Ｉｎｆｏｒ-ｍａｔｉｏｎ，ＣＳＩ）［４］進(jìn)行信道狀態(tài)分析。不過ＲＳＳＩ 信號(hào)為粗粒度，且穩(wěn)定性不高，受具體設(shè)備型號(hào)及其他影響較大。ＣＳＩ 信號(hào)優(yōu)勢(shì)在于能夠提供關(guān)于信道狀態(tài)相對(duì)精確的信息，當(dāng)人類在檢測(cè)范圍內(nèi)活動(dòng)，人體對(duì)ＷｉＦｉ信號(hào)進(jìn)行的反射通常會(huì)在ＷｉＦｉ 接收器上產(chǎn)生獨(dú)特的ＣＳＩ 變化。例如，在多載波系統(tǒng)中，對(duì)于其中的每個(gè)子信道，發(fā)射器與接收器天線上都能夠測(cè)量傳播的無線信號(hào)，并提供不同子信道的幅度與相位失真，從而分析其在時(shí)域的變化對(duì)不同的人和活動(dòng)所呈現(xiàn)出的不同模式，這已經(jīng)足夠滿足當(dāng)前的ＨＡＲ 需求［５］。

目前，已有許多工作集中討論了使用ＷｉＦｉ 信號(hào)的ＣＳＩ 數(shù)據(jù)進(jìn)行ＨＡＲ［６－１１］。在這些工作中，大致可以分為相同環(huán)境和跨環(huán)境兩方面來進(jìn)行研究。早期的研究大多集中在相同環(huán)境下的檢測(cè)問題，例如，文獻(xiàn)［８］展示了基于ＷｉＦｉ ＣＳＩ 數(shù)據(jù)的室內(nèi)定位和日常生活中的活動(dòng)檢測(cè)。文獻(xiàn)［９］通過去除噪聲和冗余，對(duì)原始ＣＳＩ 測(cè)量進(jìn)行處理，然后使用卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)模型結(jié)合執(zhí)行ＨＡＲ。文獻(xiàn)［１０］將ＣＳＩ 信號(hào)轉(zhuǎn)化為無線電圖像，并通過深度稀疏自動(dòng)編碼器學(xué)習(xí)ＨＡＲ 的區(qū)分特征。文獻(xiàn)［１１］發(fā)現(xiàn)兩個(gè)天線上ＣＳＩ 相位差相比于幅值更加敏感，能夠更可靠地區(qū)分活動(dòng)，與時(shí)頻域的急劇功率分布下降模式結(jié)合，并使用支持向量機(jī)進(jìn)行檢測(cè)分類。

而近期的研究和應(yīng)用表明，ＷｉＦｉ 信號(hào)實(shí)際上受環(huán)境影響較大，傳統(tǒng)的檢測(cè)模型在新環(huán)境下容易變得不再適用，識(shí)別效果較差［１２－１３］。因此，近年來這一領(lǐng)域的研究重點(diǎn)主要轉(zhuǎn)向能夠適應(yīng)環(huán)境變化的檢測(cè)方法，比如提取環(huán)境無關(guān)特征和域適應(yīng)方法。文獻(xiàn)［１４］采用差異化的速度特征來區(qū)分跌倒與日常生活動(dòng)作，從而規(guī)避了不同環(huán)境對(duì)識(shí)別的干擾。文獻(xiàn)［１５］采用遷移學(xué)習(xí)網(wǎng)絡(luò)，通過提取源域和目標(biāo)域中共享的特征來實(shí)現(xiàn)環(huán)境穩(wěn)健的ＨＡＲ。文獻(xiàn)［１６－１７］分別使用少樣本學(xué)習(xí)網(wǎng)絡(luò)和元學(xué)習(xí)。

盡管這些方法在一定程度上實(shí)現(xiàn)了與環(huán)境無關(guān)的行為識(shí)別，但也存在一些局限性。尤其是源域樣本的質(zhì)量會(huì)很大程度地影響訓(xùn)練后模型識(shí)別的精度，當(dāng)源域樣本多樣性不足時(shí)，模型性能急劇下降。因此，生成對(duì)抗網(wǎng)絡(luò)（Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ，ＧＡＮ）被引入，通過生成大量類目標(biāo)樣本來增強(qiáng)模型的泛化能力［１８］。但ＧＡＮ 通常不夠穩(wěn)定，容易生成不同質(zhì)量水平的樣本，這對(duì)模型的訓(xùn)練會(huì)造成不良的影響。

針對(duì)以上的問題，在現(xiàn)有研究工作基礎(chǔ)上，提出了一種基于改進(jìn)的基于Ｗａｓｓｅｒｓｔｅｉｎ 距離和梯度的生成對(duì)抗網(wǎng)絡(luò)（Ｗａｓｓｅｒｓｔｅｉｎ Ｇｅｎｅｒａｔｉｖｅ ＡｄｖｅｒｓａｒｉａｌＮｅｔｗｏｒｋ ｗｉｔｈ Ｇｒａｄｉｅｎｔ Ｐｅｎａｌｔｙ，ＷＧＡＮ-ＧＰ ）［１９］ 和Ｍｅａｎ Ｔｅａｃｈｅｒ［２０］的行為檢測(cè)模型，主要貢獻(xiàn)如下：

① 提出了帶有雙判別器的虛擬樣本生成（Ｖｉｒｔｕａｌ Ｓａｍｐｌｅ Ｇｅｎｅｒａｔｉｏｎ，ＶＳＧ）模塊，在傳統(tǒng)的ＧＡＮ 中增設(shè)一個(gè)判別器用于目標(biāo)域樣本評(píng)分，能夠在與源域樣本對(duì)抗生成的同時(shí)，引導(dǎo)生成器生成與目標(biāo)域樣本含有相似特征的虛擬樣本。

② 提出了針對(duì)有標(biāo)簽樣本與無標(biāo)簽樣本分別構(gòu)建的樣本集和損失函數(shù)，基于兩個(gè)樣本集聯(lián)合訓(xùn)練，實(shí)現(xiàn)整體訓(xùn)練的一致性損失評(píng)估，完成對(duì)目標(biāo)域樣本的識(shí)別。

數(shù)值結(jié)果驗(yàn)證了所提方法可以在降低采集目標(biāo)域樣本難度的前提下，實(shí)現(xiàn)較高的檢測(cè)精度，在手勢(shì)與動(dòng)作的數(shù)據(jù)集上測(cè)試準(zhǔn)確率分別能夠達(dá)到９２． ７１％ 和８６． ６５％ 。

１ 系統(tǒng)模型

ＷｉＦｉ 信號(hào)除了用于通信，也可以解決ＨＡＲ 問題，這是因?yàn)樵冢祝椋疲?信號(hào)覆蓋范圍內(nèi)人體移動(dòng)會(huì)影響多徑傳播。本文考慮典型的室內(nèi)環(huán)境，家用ＷｉＦｉ路由器位置是靜態(tài)的，發(fā)送端與接收端間存在視距傳播與非視距傳播，可借助ＣＳＩ 隨著人體活動(dòng)的變化來推斷人的當(dāng)前活動(dòng)狀態(tài)，具體如圖１ 所示。

傳統(tǒng)的半監(jiān)督方法在每一個(gè)輪次都需要更新參數(shù)，當(dāng)使用數(shù)據(jù)量較大的數(shù)據(jù)集時(shí)，參數(shù)更新緩慢。為解決這一問題，本文使用Ｍｅａｎ Ｔｅａｃｈｅｒ 模型來改善這一情況。Ｍｅａｎ Ｔｅａｃｈｅｒ 模型能夠?qū)δＰ偷臋?quán)重進(jìn)行滑動(dòng)平均，可以用來估計(jì)變量的局部均值，使得變量更新與一定時(shí)間內(nèi)的歷史值相關(guān)。但ＭｅａｎＴｅａｃｈｅｒ 在跨域進(jìn)行目標(biāo)識(shí)別時(shí)，由于目標(biāo)域數(shù)據(jù)樣本采集通常比較困難、可用樣本數(shù)量少，導(dǎo)致訓(xùn)練出的模型容易產(chǎn)生偏差。換言之，基于Ｍｅａｎ Ｔｅａｃｈｅｒ方法訓(xùn)練出來的模型泛化性差。

針對(duì)上述問題，提出了基于ＷＧＡＮＧＰ 和ＭｅａｎＴｅａｃｈｅｒ 的ＷｉＦｉ-ＧＡＮ-ｂａｓｅｄ Ｍｅａｎ Ｔｅａｃｈｅｒ （ＷＧＭＴ）模型，主要分為３ 個(gè)部分：數(shù)據(jù)預(yù)處理（Ｄａｔａ Ｐｒｅｐｒｏ-ｃｅｓｓｉｎｇ，ＤＰ ）、ＶＳＧ 和識(shí)別分類（Ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄＣｌａｓｓｉｆｉｃａｔｉｏｎ，ＲＣ）模塊，其框架如圖２ 所示。

其中，基于改進(jìn)ＷＧＡＮＧＰ 的ＶＳＧ 模塊，針對(duì)每個(gè)行為動(dòng)作，結(jié)合大量帶標(biāo)簽的源域樣本和單目標(biāo)域樣本生成虛擬樣本，通過與兩個(gè)判別器聯(lián)合對(duì)抗，生成同時(shí)帶有源域動(dòng)作信息和目標(biāo)域環(huán)境信息的類目標(biāo)樣本，提高模型對(duì)目標(biāo)域的適應(yīng)性。此外，為提高模型的魯棒性，本文嘗試對(duì)源域樣本進(jìn)行隨機(jī)加噪，然后再輸入模型，增強(qiáng)了網(wǎng)絡(luò)的抗噪能力。該模型能夠運(yùn)用單目標(biāo)域標(biāo)記樣本進(jìn)行更好的目標(biāo)域行為識(shí)別。

２ 本文方法

如上所述，本文所提方法包括３ 個(gè)模塊，即ＤＰ、ＶＳＧ 和ＲＣ。ＤＰ 模塊用于獲取圖像，將生成圖像輸入ＶＳＧ 模塊生成類目標(biāo)樣本。使用真實(shí)樣本與虛擬樣本進(jìn)行Ｍｅａｎ Ｔｅａｃｈｅｒ 的模型訓(xùn)練，接下來將依次介紹這３ 個(gè)模塊。

２． １ ＤＰ 模塊

信道沖激響應(yīng)（Ｃｈａｎｎｅｌ Ｉｍｐｕｌｓｅ Ｒｅｓｐｏｎｓｅ，ＣＩＲ）是信號(hào)在時(shí)域上的響應(yīng)，矩陣的行代表信道的響應(yīng)在不同時(shí)間點(diǎn)上的取值，列代表不同的傳播路徑對(duì)信號(hào)的影響。通過對(duì)ＣＩＲ 矩陣進(jìn)行頻域轉(zhuǎn)換，并分析其頻域響應(yīng)的幅度部分，即可提取出對(duì)應(yīng)的ＣＳＩ信息。

ＣＳＩ 幅度可以根據(jù)人體反射特定多徑信號(hào)的程度來描述人體活動(dòng)，而相位則反映了路徑長(zhǎng)度變化導(dǎo)致的延遲。從圖１ 中可以看出，當(dāng)人體進(jìn)入傳播路徑時(shí)，信號(hào)從原本的地面反射變?yōu)槿梭w反射，傳播路徑變短，接收端所收到的ＣＳＩ 信號(hào)發(fā)生變化。

在無線信道上，接收信號(hào)Ｙ 與發(fā)射信號(hào)Ｘ 的關(guān)系可以表示為：

Ｙ＝ＨＸ＋Ｎ， （１）

式中：Ｈ 為信道增益矩陣，Ｎ 為噪聲矩陣。矩陣Ｈ中每個(gè)元素代表ＣＳＩ 值。通常情況下，對(duì)于位置固定、發(fā)射角度為θ 的ＷｉＦｉ 發(fā)射器而言，其信道矩陣可建模為：

式中：ｉ∈｛１，２，…，Ｋ｝、ｎ∈｛１，２，…，Ｎ｝、ｐ∈｛１，２，…，Ｐ｝分別為子載波、分組和多徑數(shù)索引，ｆｃ 為主載波頻率，Δｆ 為符號(hào)頻率，τｐ（ｎ）為第ｐ 個(gè)子載波上第ｎ 個(gè)分組的時(shí)延。

使用巴特沃茲濾波器對(duì)ＣＳＩ 數(shù)據(jù)濾波，通過短時(shí)傅里葉變換可以得到圖像數(shù)據(jù)［２１］。

２． ２ ＶＳＧ 模塊

傳統(tǒng)方法中，通常通過大量采集數(shù)據(jù)并標(biāo)注的方式來得到目標(biāo)域有標(biāo)記樣本，這些樣本的數(shù)量會(huì)直接影響模型的訓(xùn)練效果。然而，數(shù)據(jù)需要通過對(duì)照已知類型的方式確定標(biāo)簽并進(jìn)行人工標(biāo)注，人力與時(shí)間的消耗和樣本的數(shù)量成正比。這也意味著，當(dāng)環(huán)境發(fā)生變化時(shí)，需要重新采集新環(huán)境下的樣本，這會(huì)帶來非常巨大的資源消耗。在資源有限的前提下，目標(biāo)域內(nèi)通常只能獲得數(shù)量非常有限的有標(biāo)記樣本。而通過生成虛擬樣本，能夠有效緩解真實(shí)樣本缺失造成的問題。

因此，本文引入ＷＧＡＮＧＰ 模型并加以改進(jìn)僅需在目標(biāo)域批量采集樣本，并確保每個(gè)類型能篩選一個(gè)樣本，其余樣本均無需標(biāo)記，即可用來生成類目標(biāo)樣本。

理想情況下，ＧＡＮ 應(yīng)當(dāng)在訓(xùn)練后達(dá)到對(duì)抗的納什均衡。但在實(shí)際訓(xùn)練中，傳統(tǒng)ＧＡＮ 中判別器的訓(xùn)練效果通常遠(yuǎn)遠(yuǎn)好于生成器，導(dǎo)致虛擬樣本與真實(shí)樣本易被區(qū)分。ＷＧＡＮ 引入Ｗａｓｓｅｒｔｅｉｎ 距離解決了這一問題，通過從虛擬樣本與真實(shí)樣本所有可能的聯(lián)合分布中采樣計(jì)算二者的期望距離，并對(duì)該期望值向取下界的方向優(yōu)化，使虛擬樣本盡可能地接近真實(shí)樣本。但在優(yōu)化過程中，為避免梯度波動(dòng)引入的截?cái)喾绞接謳砹诵碌膯栴}。具體而言，在各類ＧＡＮ 中判別器希望區(qū)分出虛擬樣本與真實(shí)樣本，真實(shí)樣本會(huì)得到更高的分?jǐn)?shù)，而虛擬樣本則只能得到低分。這意味著判別器希望損失函數(shù)盡可能大，則其計(jì)算梯度會(huì)沿著損失函數(shù)變大的方向優(yōu)化，這會(huì)導(dǎo)致參數(shù)都會(huì)被截?cái)嘞拗?，最終停留在閾值邊界，使得判別器傳輸給生成器的梯度變差甚至消失。針對(duì)該問題，ＷＧＡＮＧＰ 模型通過引入梯度懲罰項(xiàng)來緩解梯度消失問題。具體而言，使用梯度懲罰代替截?cái)啵ㄟ^在損失函數(shù)中添加一個(gè)額外的正則化項(xiàng)，懲罰判別器在輸入樣本處的梯度模長(zhǎng)使其偏離１，在強(qiáng)制判別器保持Ｌｉｐｓｃｈｉｔｚ 連續(xù)性的同時(shí)，避免了截?cái)嗫赡軐?dǎo)致的不穩(wěn)定性問題。

為更好地實(shí)現(xiàn)跨域工作，同時(shí)考慮到目標(biāo)域標(biāo)記樣本采集的困難性，提出了基于ＷＧＡＮＧＰ 的ＶＳＧ 模塊。ＶＳＧ 模塊有兩個(gè)判別器Ｄ１ 和Ｄ２，目的是指導(dǎo)生成器Ｇ 盡可能地生成與真實(shí)樣本相似的虛擬樣本。ＶＳＧ 通過給真實(shí)樣本高評(píng)分，給虛擬樣本低評(píng)分來實(shí)現(xiàn)。

為了免生成結(jié)果與真實(shí)樣本過度相似而失去生成虛擬樣本的意義，不同于ＧＡＮ，預(yù)先對(duì)真實(shí)樣本添加高斯噪聲ｚ。定義源域樣本為ｘｓ，目標(biāo)域樣本為ｘｔ，生成的虛擬樣本為ｘｖ。引入常數(shù)α∈（０，１）權(quán)衡樣本數(shù)據(jù)與噪聲的比例，則輸入Ｄ１ 的樣本為ｘｓｒ ＝αｘｓ ＋（１－α）ｚ。判別器Ｄ１ 的目標(biāo)可以定義為：

式中：ｘｍ ＝εｘｓｒ ＋（１－ε）ｘｖ，ε ～ Ｕ（０，１）為一隨機(jī)常數(shù)變量，ＰＶ、ＰＳＲ、ＰＭ 分別為樣本ｘｖ、ｘｓｒ、ｘｍ 服從的分布。

判別器Ｄ２ 的輸入來自目標(biāo)域樣本ｘｔ，Ｄ２ 的設(shè)計(jì)目的是引導(dǎo)生成器Ｇ 生成與目標(biāo)域樣本特征相似的樣本。Ｄ２ 的損失函數(shù)可相應(yīng)求得：

式中：ＰＴ 為樣本ｘｔ 服從的分布，與Ｄ１ 類似，Ｄ２ 的目標(biāo)也是最小化其損失函數(shù)ｍｉｎ Ｄ２ ＬＤ２。

生成器Ｇ 通過與判別器對(duì)抗來學(xué)習(xí)已知活動(dòng)分類的特征信息，并生成與真實(shí)樣本相似的虛擬樣本。則生成器Ｇ 的優(yōu)化目標(biāo)為ｍｉｎ Ｇ ＬＧ，其中損失函數(shù)ＬＧ 定義為：

式中：常數(shù)β 為用于平衡源域與目標(biāo)域特征的權(quán)重參數(shù)。

２． ３ ＲＣ 模塊

ＲＣ 模塊旨在基于采集到的樣本與上述步驟生成的虛擬樣本實(shí)現(xiàn)對(duì)已知類中的行為樣本識(shí)別。需要指出的是，傳統(tǒng)的Π 模型［２２］在訓(xùn)練前期僅使用標(biāo)記數(shù)據(jù)，要求損失函數(shù)中的無監(jiān)督分量必須緩慢增長(zhǎng)，否則網(wǎng)絡(luò)會(huì)快速收斂，導(dǎo)致訓(xùn)練得到無效解。在實(shí)際應(yīng)用中，這一要求極大地限制了模型訓(xùn)練的運(yùn)算速度。Ｔｅｍｐｏｒａｌ Ｅｎｓｅｍｂｌｉｎｇ（ＴＥ）［２２］則是在Π的基礎(chǔ)上采用當(dāng)前與歷史模型預(yù)測(cè)結(jié)果的均值做均方差計(jì)算，保留歷史信息的同時(shí)有效地消除了擾動(dòng)并保持穩(wěn)定，但仍舊存在面對(duì)大數(shù)據(jù)集時(shí)需要對(duì)每個(gè)輪次進(jìn)行標(biāo)簽更新，導(dǎo)致訓(xùn)練緩慢的問題。針對(duì)上述問題，本文提出了改進(jìn)的Ｍｅａｎ Ｔｅａｃｈｅｒ 模型用于動(dòng)作識(shí)別分類。

Ｍｅａｎ Ｔｅａｃｈｅｒ 通過將模型假定為兩種角色，即學(xué)生模型和教師模型，來解決這一問題。這兩個(gè)模型架構(gòu)相同，與ＴＥ 的區(qū)別在于，該方法對(duì)模型權(quán)重而不是預(yù)測(cè)結(jié)果進(jìn)行加權(quán)平均，有效地減少了對(duì)有標(biāo)簽數(shù)據(jù)的需求，減少了運(yùn)算負(fù)擔(dān)。本文提出的基于Ｍｅａｎ Ｔｅａｃｈｅｒ 的ＲＣ 模塊也分為教師模型和學(xué)生模型。對(duì)于學(xué)生模型而言，本文使用真實(shí)樣本與ＶＳＧ 模塊得到的虛擬樣本作為輸入。學(xué)生模型對(duì)輸入樣本提取特征，計(jì)算得到模型預(yù)測(cè)值與真實(shí)標(biāo)簽之間的損失，從而更新學(xué)生模型的參數(shù)，教師模型則用于對(duì)無標(biāo)記樣本生成偽目標(biāo)標(biāo)簽來指導(dǎo)學(xué)生模型學(xué)習(xí)。

為避免教師模型生成錯(cuò)誤的偽標(biāo)簽，導(dǎo)致無監(jiān)督部分的損失遠(yuǎn)大于監(jiān)督部分的損失，從而使模型的性能變差，本文使用學(xué)生模型權(quán)重的指數(shù)移動(dòng)平均（Ｅｘｐｏｎｅｎｔｉａｌ Ｍｏｖｉｎｇ Ａｖｅｒａｇｅ，ＥＭＡ）來更新教師模型的參數(shù)，即：

θ′ｔ ＝γθ′ｔ－１ ＋（１－γ）θｔ， （６）

式中：θｔ 為學(xué)生模型在ｔ 時(shí)刻的參數(shù)，θ′ｔ 為教師模型在ｔ 時(shí)刻的參數(shù)，常數(shù)γ∈（０，１）用于調(diào)節(jié)訓(xùn)練期間參數(shù)的權(quán)衡。即教師模型基于歷史模型參數(shù)與最新學(xué)生模型參數(shù)給出偽標(biāo)簽，保證了模型參數(shù)的穩(wěn)定性。在訓(xùn)練初期，學(xué)生模型通過訓(xùn)練提升較快，因此γ 的值相對(duì)較小，便于教師模型更快地過濾之前不好的參數(shù)。在訓(xùn)練后期，學(xué)生模型參數(shù)趨于穩(wěn)定，γ的值也相應(yīng)增大，從而避免某次錯(cuò)誤參數(shù)更新影響整體訓(xùn)練，得到更加穩(wěn)定的模型。

在本文所提方法中，源域樣本與ＶＳＧ 模塊生成的類目標(biāo)樣本為有標(biāo)記樣本，將其定義為樣本集ＸＬ ＝｛（ｘｌｉ，ｙｉ）｜Ｌｉ｝，其中，ｘｌｉ代表有標(biāo)記樣本，ｙｉ 代表對(duì)應(yīng)樣本的標(biāo)簽，Ｌ 為該樣本集內(nèi)的樣本數(shù)量；目標(biāo)域樣本為無標(biāo)記樣本，將這部分樣本定義為樣本集ＸＵ ＝｛ｘｕｉ｜Ｕｉ｝，其中，ｘｕｉ代表無標(biāo)記樣本，Ｕ 為該樣本集內(nèi)的樣本數(shù)量。

針對(duì)有標(biāo)記樣本ＸＬ，構(gòu)造其分類損失函數(shù)為：

式中：ｙｌｓｉ 代表學(xué)生模型對(duì)樣本ｘｌｉ的預(yù)測(cè)結(jié)果，通過與真實(shí)標(biāo)簽對(duì)比來更新學(xué)生模型的參數(shù)。對(duì)于未標(biāo)記樣本ＸＵ，學(xué)生模型和教師模型對(duì)同一個(gè)輸入進(jìn)行預(yù)測(cè)，通過計(jì)算學(xué)生模型預(yù)測(cè)結(jié)果與教師模型預(yù)測(cè)結(jié)果之間的均方誤差（ＭｅａｎＳｑｕａｒｅ Ｅｒｒｏｒ，ＭＳＥ）構(gòu)建一致性損失函數(shù)：

式中：ｙｕｔｉ 代表教師模型對(duì)樣本ｘｕｉ的預(yù)測(cè)結(jié)果，ｙｕｓｉ 代表學(xué)生模型對(duì)樣本ｘｕｉ的預(yù)測(cè)結(jié)果。本文使用Ｌｕ 懲罰教師模型和學(xué)生模型之間的預(yù)測(cè)結(jié)果差異，引導(dǎo)學(xué)生模型訓(xùn)練出更佳的參數(shù)。需要注意的是，教師模型在此處只起到一個(gè)提供預(yù)測(cè)偽標(biāo)簽的作用，其參數(shù)不依靠損失函數(shù)的反向傳播來更新。

學(xué)生模型整體的損失函數(shù)可以定義為：

Ｌ＝Ｌｌ ＋Ｌｕ。（９）

據(jù)此可完成對(duì)目標(biāo)的識(shí)別與分類。

２． ４ 復(fù)雜度分析

對(duì)所提方法進(jìn)行復(fù)雜度分析。類似地［２３］，ＶＳＧ模塊的復(fù)雜度為Ｏ（ｎＶ ×ｍＶ ×ｋＶ），其中ｎＶ 為ＶＳＧ 迭代次數(shù)，ｍＶ 為一次迭代中的總訓(xùn)練步驟，ｋＶ 為一個(gè)訓(xùn)練步驟內(nèi)的反向傳播要求，即對(duì)抗樣本生成與網(wǎng)絡(luò)參數(shù)更新的總要求，由于存在兩個(gè)判別器，在最壞的情況下，一個(gè)訓(xùn)練步驟中包括兩次判別器評(píng)分與３ 次參數(shù)更新，即ｋＶ≤５。

同理，ＲＣ 模塊的復(fù)雜度為Ｏ（ｎＲ ×ｍＲ ×ｋＲ ），其中ｎＲ 為ＲＣ 的迭代次數(shù)，ｍＲ 為一次迭代中的總訓(xùn)練步驟，ｋＲ 為一個(gè)訓(xùn)練步驟內(nèi)的反向傳播要求，即學(xué)生模型與教師模型參數(shù)更新的總要求，在最壞的情況下，一次訓(xùn)練步驟中存在４ 次參數(shù)更新，即ｋＲ≤４。

綜上，所提ＷＧＭＴ 模型的總復(fù)雜度為Ｏ（ｎＶ ×ｍＶ ×ｋＶ ＋ｎＲ ×ｍＲ ×ｋＲ）。

３ 仿真分析

本節(jié)將通過實(shí)驗(yàn)仿真對(duì)所提的ＷＧＭＴ 模型性能進(jìn)行評(píng)估，使用平均準(zhǔn)確率作為評(píng)估指標(biāo)。文中所用的參數(shù)設(shè)置如表１，其中ＧＡＮ 和Ｍｅａｎ Ｔｅａｃｈｅｒ模型均使用Ａｄａｍ 優(yōu)化器，但學(xué)習(xí)率不同。

本文使用兩個(gè)公開數(shù)據(jù)集Ｓｉｇｎｆｉ［２４］和ＷｉＡＲ［２５］進(jìn)行實(shí)驗(yàn)，其中Ｓｉｇｎｆｉ 數(shù)據(jù)集是由５ 個(gè)用戶執(zhí)行的１５０ 個(gè)手語手勢(shì)數(shù)據(jù)，每個(gè)手勢(shì)各１０ 條；ＷｉＡＲ 數(shù)據(jù)集是由１０ 個(gè)用戶執(zhí)行的１６ 個(gè)行為動(dòng)作，每個(gè)動(dòng)作各３０ 條，本文選用其中的５ 個(gè)用戶數(shù)據(jù)。由于在ＨＡＲ 領(lǐng)域，不同的人的人體形態(tài)及動(dòng)作習(xí)慣均有區(qū)別，即可以視為每個(gè)人的數(shù)據(jù)均為不同的域內(nèi)數(shù)據(jù)。因此，在本文所設(shè)的實(shí)驗(yàn)環(huán)境中，采用其中一人的數(shù)據(jù)作為測(cè)試數(shù)據(jù)，其他人的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)。同時(shí)，選取大量目標(biāo)域未標(biāo)記樣本用于訓(xùn)練，以滿足Ｍｅａｎ Ｔｅａｃｈｅｒ 模型的需求。

為更好地對(duì)比，設(shè)計(jì)了一個(gè)變體ＷｉＦｉ-ＧＡＮ-ｂａｓｅｄＭｅａｎ Ｔｅａｃｈｅｒ ｗｉｔｈ Ｓｉｎｇｌｅ Ｄｉｓｃｒｉｍｉｎａｔｏｒ（ＷＧＭＴ-ＳＤ）用于實(shí)驗(yàn)。該變體使用單個(gè)判別器的生成網(wǎng)絡(luò)，即傳統(tǒng)未經(jīng)過改進(jìn)的ＷＧＡＮ-ＧＰ 作為ＶＳＧ 模塊，其為制變量，本文將在ＷＧＭＴ 方法中將用于訓(xùn)練ＶＳＧ 模塊的所有樣本用于ＷＧＡＮ-ＧＰ 訓(xùn)練。

由于ＷＧＭＴ 與ＷＧＭＴ-ＳＤ 區(qū)別在ＶＳＧ 模塊，因此進(jìn)一步分析該模塊復(fù)雜度。所提的ＶＳＧ 模塊主要在損失函數(shù)層面改進(jìn)，對(duì)模型的復(fù)雜性幾乎沒有影響。具體而言，前文所述ＷＧＭＴ 中ＶＳＧ 模塊的復(fù)雜度為Ｏ（ｎＶ ×ｍＶ ×ｋＶ），ｋＶ ≤５。而ＷＧＭＴ-Ｄ 僅存在一個(gè)判別器，在最壞的情況下，一個(gè)訓(xùn)練步驟中包括一次判別器評(píng)分與３ 次參數(shù)更新，即ｋＶ ≤４。因此，ＷＧＭＴ-ＳＤ 中ＶＳＧ 模塊的復(fù)雜度為Ｏ（ｎＶ ×ｍＶ ×ｋＶ），ｋＶ≤４。

雖然所提方法的復(fù)雜度略高于對(duì)比方法，但ＷＧＭＴ 相對(duì)于ＷＧＭＴ-ＳＤ 提高了識(shí)別準(zhǔn)確率，仿真結(jié)果如圖３ 所示，可以看出，使用改進(jìn)后ＶＳＧ 模塊的ＷＧＭＴ 方法準(zhǔn)確率為９２． ７１％ ，使用傳統(tǒng)ＷＧＡＮ-ＧＰ 模塊的ＷＧＭＴ-ＳＤ 方法準(zhǔn)確率為８９． ８４％ ，即ＷＧＭＴ 方法比ＷＧＭＴ-ＳＤ 方法提升了２． ８７％ 的準(zhǔn)確率。

此外，對(duì)二者在不同數(shù)據(jù)集中的平均準(zhǔn)確率與Ｆ１ 分?jǐn)?shù)匯總?cè)绫恚?所示，說明本文所提ＷＧＭＴ 方法在跨域的識(shí)別中，無論是在動(dòng)作識(shí)別還是手勢(shì)識(shí)別上都有顯著優(yōu)勢(shì)，這意味著對(duì)目標(biāo)域樣本的合理利用，能夠有效地增強(qiáng)模型最后的識(shí)別性能。

不難看出，所提方法對(duì)手勢(shì)的識(shí)別精度比對(duì)行為動(dòng)作的識(shí)別精度高，因?yàn)槭謩?shì)通常具有較為明顯的模式和動(dòng)態(tài)特征，而動(dòng)作可能涉及更廣泛的時(shí)間范圍，模式更加復(fù)雜。

為更好地展示本文所提模型的有效性，引入以下幾種算法作為對(duì)比。

① Ｍｅａｎ Ｔｅａｃｈｅｒ：基于純粹Ｍｅａｎ Ｔｅａｃｈｅｒ 的半監(jiān)督學(xué)習(xí)框架，使用學(xué)生模型權(quán)重的ＥＭＡ 值定義教師模型的權(quán)重，通過最小化師生模型預(yù)測(cè)差異進(jìn)行訓(xùn)練。

② ＣｓｉＧＡＮ［２６］：設(shè)計(jì)了補(bǔ)碼生成器，用于有限未標(biāo)記數(shù)據(jù)產(chǎn)生新的虛擬樣本，從而提高判別器的魯棒性，并優(yōu)化鑒別器的決策邊界，提出流形正則化方法穩(wěn)定學(xué)習(xí)過程。

③ Ｏｎｅ-ｓｈｏｔ Ｂｉｍｏｄａｌ Ｄｏｍａｉｎ Ａｄａｐｔａｔｉｏｎ Ｍｅｔｈｏｄ（Ｏｎｅ-ｓｈｏｔ Ｍｅｔｈｏｄ）［２７］：通過源域與單目標(biāo)域樣本線性變換和合成自動(dòng)編碼器實(shí)現(xiàn)虛擬樣本的合成，并為幅度與相位設(shè)置融合模態(tài)，提高識(shí)別精度。

這些模型在兩個(gè)數(shù)據(jù)集上的性能匯總?cè)鐖D４ 所示。實(shí)驗(yàn)結(jié)果表明，本文所提方法在跨域環(huán)境下的手勢(shì)識(shí)別及動(dòng)作識(shí)別中都有較好性能，充分顯示了所提方法的優(yōu)越性。

４ 結(jié)束語

本文基于改進(jìn)后的ＷＧＡＮ-ＧＰ 和Ｍｅａｎ Ｔｅａｃｈｅｒ構(gòu)建了一個(gè)名為ＷＧＭＴ 的跨域ＨＡＲ 框架。通過對(duì)傳統(tǒng)ＧＡＮ 結(jié)構(gòu)進(jìn)行調(diào)整，增設(shè)一個(gè)對(duì)目標(biāo)域樣本特征進(jìn)行評(píng)分的判別器，指導(dǎo)生成器生成與已知活動(dòng)類別樣本有相似特征的樣本，有效地提高了模型對(duì)目標(biāo)域的適應(yīng)性，大大減輕目標(biāo)域樣本采集難度的同時(shí)，保證了識(shí)別的準(zhǔn)確性。通過在兩個(gè)公共數(shù)據(jù)集的實(shí)驗(yàn)證明，所提的ＷＧＭＴ 方法能夠提高手勢(shì)及動(dòng)作的識(shí)別精度，優(yōu)于其他現(xiàn)有方法。

參考文獻(xiàn)

［１］ ＬＩ Ｘ Ｙ，ＣＵＩ Ｙ Ｈ，ＺＨＡＮＧ Ｊ Ａ，ｅｔ ａｌ． Ｉｎｔｅｇｒａｔｅｄ ＨｕｍａｎＡｃｔｉｖｉｔｙ Ｓｅｎｓｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｍａｇａｚｉｎｅ，２０２２，６１（５）：９０－９６．

［２］ ＺＯＵ Ｈ，ＹＡＮＧ Ｊ Ｆ，ＤＡＳ Ｐ Ｈ，ｅｔ ａｌ． ＷｉＦｉ ａｎｄ ＶｉｓｉｏｎＭｕｌｔｉｍｏｄａｌ Ｌｅａｒｎｉｎｇ ｆｏｒ Ａｃｃｕｒａｔｅ ａｎｄ Ｒｏｂｕｓｔ ＤｅｖｉｃｅｆｒｅｅＨｕｍａｎ Ａｃｔｉｖｉｔｙ Ｒｅｃｏｇｎｉｔｉｏｎ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ／ＣＶＦ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｗｏｒｋｓｈｏｐｓ． Ｌｏｎｇ Ｂｅａｃｈ：ＩＥＥＥ，２０１９：４２６－４３３．

［３］ ＣＵＩ Ｗ，ＺＨＡＮＧ Ｌ，ＬＩ Ｂ，ｅｔ ａｌ． Ｒｅｃｅｉｖｅｄ Ｓｉｇｎａｌ ＳｔｒｅｎｇｔｈＢａｓｅｄ Ｉｎｄｏｏｒ Ｐｏｓｉｔｉｏｎｉｎｇ Ｕｓｉｎｇ ａ Ｒａｎｄｏｍ Ｖｅｃｔｏｒ Ｆｕｎｃｔｉｏｎａｌ Ｌｉｎｋ Ｎｅｔｗｏｒｋ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ＩｎｄｕｓｔｒｉａｌＩｎｆｏｒｍａｔｉｃｓ，２０１７，１４（５）：１８４６－１８５５．

［４］ ＺＨＡＮＧ Ｙ，ＬＩＵ Ｑ Ｑ，ＷＡＮＧ Ｙ Ｊ，ｅｔ ａｌ． ＣＳＩｂａｓｅｄ Ｌｏｃａｔｉｏｎｉｎｄｅｐｅｎｄｅｎｔ Ｈｕｍａｎ Ａｃｔｉｖｉｔｙ Ｒｅｃｏｇｎｉｔｉｏｎ ＵｓｉｎｇＦｅａｔｕｒｅ Ｆｕｓｉｏｎ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｓｔｒｕｍｅｎｔａｔｉｏｎａｎｄ Ｍｅａｓｕｒｅｍｅｎｔ，２０２２，７１：５５０３３１２．

［５］ ＭＡ Ｙ Ｓ，ＺＨＯＵ Ｇ，ＷＡＮＧ Ｓ Ｑ． ＷｉＦｉ Ｓｅｎｓｉｎｇ ｗｉｔｈＣｈａｎｎｅｌ Ｓｔａｔｅ Ｉｎｆｏｒｍａｔｉｏｎ：Ａ Ｓｕｒｖｅｙ［Ｊ］． ＡＣＭ ＣｏｍｐｕｔｉｎｇＳｕｒｖｅｙｓ （ＣＳＵＲ），２０１９，５２（３）：１－３６．

［６］ ＷＡＮＧ Ｙ，ＬＩＵ Ｊ，ＣＨＥＮ Ｙ Ｙ，ｅｔ ａｌ． Ｅｅｙｅｓ：Ｄｅｖｉｃｅｆｒｅｅｌｏｃａｔｉｏｎｏｒｉｅｎｔｅｄ Ａｃｔｉｖｉｔｙ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ Ｕｓｉｎｇ Ｆｉｎｅｇｒａｉｎｅｄ ＷｉＦｉ Ｓｉｇｎａｔｕｒｅｓ［Ｃ］∥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２０ｔｈＡｎｎｕａｌ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍｏｂｉｌｅ Ｃｏｍｐｕｔｉｎｇａｎｄ Ｎｅｔｗｏｒｋｉｎｇ． Ｎｅｗ Ｙｏｒｋ：ＡＣＭ，２０１４：６１７－６２８．

［７］ ＷＡＮＧ Ｗ，ＬＩＵ Ａ Ｘ，ＳＨＡＨＺＡＤ Ｍ，ｅｔ ａｌ． Ｄｅｖｉｃｅｆｒｅｅ Ｈｕｍａｎ Ａｃｔｉｖｉｔｙ Ｒｅｃｏｇｎｉｔｉｏｎ Ｕｓｉｎｇ Ｃｏｍｍｅｒｃｉａｌ ＷｉＦｉ Ｄｅｖｉｃｅｓ［Ｊ］． ＩＥＥＥ Ｊｏｕｒｎａｌ ｏｎ Ｓｅｌｅｃｔｅｄ Ａｒｅａｓ ｉｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，２０１７，３５（５）：１１１８－１１３１．

［８］ ＹＯＵＳＥＦＩ Ｓ，ＮＡＲＵＩ Ｈ，ＤＡＹＡＬ Ｓ，ｅｔ ａｌ． Ａ Ｓｕｒｖｅｙ ｏｎ Ｂｅｈａｖｉｏｒ Ｒｅｃｏｇｎｉｔｉｏｎ Ｕｓｉｎｇ ＷｉＦｉ Ｃｈａｎｎｅｌ Ｓｔａｔｅ Ｉｎｆｏｒｍａｔｉｏｎ［Ｊ］． ＩＥＥＥ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｍａｇａｚｉｎｅ，２０１７，５５ （１０）：９８－１０４．

［９］ ＨＵＡＮＧ Ｓ，ＷＡＮＧ Ｄ，ＺＨＡＯ Ｒ，ｅｔ ａｌ． Ｗｉｇａ：Ａ ＷｉＦｉｂａｓｅｄ Ｃｏｎｔａｃｔｌｅｓｓ Ａｃｔｉｖｉｔｙ Ｓｅｑｕｅｎｃｅ Ｒｅｃｏｇｎｉｔｉｏｎ ＳｙｓｔｅｍＢａｓｅｄ ｏｎ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ［Ｃ］∥２０１９ １５ｔｈ ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ ｏｎ Ｍｏｂｉｌｅ ＡｄＨｏｃ ａｎｄ Ｓｅｎｓｏｒ Ｎｅｔｗｏｒｋｓ（ＭＳＮ）． Ｓｈｅｎｚｈｅｎ：ＩＥＥＥ，２０１９：６９－７４．

［１０］ＧＡＯ Ｑ Ｈ，ＷＡＮＧ Ｊ，ＭＡ Ｘ Ｒ，ｅｔ ａｌ． ＣＳＩｂａｓｅｄ Ｄｅｖｉｃｅｆｒｅｅ Ｗｉｒｅｌｅｓｓ Ｌｏｃａｌｉｚａｔｉｏｎ ａｎｄ Ａｃｔｉｖｉｔｙ Ｒｅｃｏｇｎｉｔｉｏｎ ＵｓｉｎｇＲａｄｉｏ Ｉｍａｇｅ Ｆｅａｔｕｒｅｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ＶｅｈｉｃｕｌａｒＴｅｃｈｎｏｌｏｇｙ，２０１７，６６（１１）：１０３４６－１０３５６．

［１１］ＷＡＮＧ Ｈ，ＺＨＡＮＧ Ｄ Ｑ，ＷＡＮＧ Ｙ Ｓ，ｅｔ ａｌ． ＲＴＦａｌｌ：ＡＲｅａｌｔｉｍｅ ａｎｄ Ｃｏｎｔａｃｔｌｅｓｓ Ｆａｌｌ Ｄｅｔｅｃｔｉｏｎ Ｓｙｓｔｅｍ ｗｉｔｈＣｏｍｍｏｄｉｔｙ ＷｉＦｉ Ｄｅｖｉｃｅｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ＭｏｂｉｌｅＣｏｍｐｕｔｉｎｇ，２０１６，１６（２）：５１１－５２６．

［１２］ＦＡＬＬＡＨＺＡＤＥＨ Ｒ，ＡＳＨＡＲＩ Ｚ Ｅ，ＡＬＩＮＩＡ Ｐ，ｅｔ ａｌ． Ｐｅｒｓｏｎａｌｉｚｅｄ Ａｃｔｉｖｉｔｙ Ｒｅｃｏｇｎｉｔｉｏｎ Ｕｓｉｎｇ Ｐａｒｔｉａｌｌｙ ＡｖａｉｌａｂｌｅＴａｒｇｅｔ Ｄａｔａ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｏｂｉｌｅ Ｃｏｍｐｕｔｉｎｇ，２０２１，２２（１）：３７４－３８８．

［１３］ＳＨＩ Ｚ Ｇ，ＺＨＡＮＧ Ｊ Ａ，ＸＵ Ｒ Ｙ，ｅｔ ａｌ． ＥｎｖｉｒｏｎｍｅｎｔｒｏｂｕｓｔＤｅｖｉｃｅｆｒｅｅ Ｈｕｍａｎ Ａｃｔｉｖｉｔｙ Ｒｅｃｏｇｎｉｔｉｏｎ ｗｉｔｈ ＣｈａｎｎｅｌＳｔａｔｅＩｎｆｏｒｍａｔｉｏｎ Ｅｎｈａｎｃｅｍｅｎｔ ａｎｄ Ｏｎｅｓｈｏｔ Ｌｅａｒｎｉｎｇ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｏｂｉｌｅ Ｃｏｍｐｕｔｉｎｇ，２０２０，２１（２）：５４０－５５４．

［１４］ＨＵ Ｙ Ｑ，ＺＨＡＮＧ Ｆ，ＷＵ Ｃ Ｓ，ｅｔ ａｌ． Ａ ＷｉＦｉｂａｓｅｄ ＰａｓｓｉｖｅＦａｌｌ Ｄｅｔｅｃｔｉｏｎ Ｓｙｓｔｅｍ［Ｃ］∥ＩＣＡＳＳＰ ２０２０ －２０２０ ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｃｏｕｓｔｉｃｓ，Ｓｐｅｅｃｈ ａｎｄ ＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇ （ＩＣＡＳＳＰ）． Ｂａｒｃｅｌｏｎａ：ＩＥＥＥ，２０２０：１７２３－１７２７．

［１５］ＺＨＡＮＧ Ｊ，ＴＡＮＧ Ｚ Ｙ，ＬＩ Ｍ，ｅｔ ａｌ． ＣｒｏｓｓＳｅｎｓｅ：ＴｏｗａｒｄｓＣｒｏｓｓｓｉｔｅ ａｎｄ Ｌａｒｇｅｓｃａｌｅ ＷｉＦｉ Ｓｅｎｓｉｎｇ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓｏｆ ｔｈｅ ２４ｔｈ Ａｎｎｕａｌ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍｏｂｉｌｅ Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ｎｅｔｗｏｒｋｉｎｇ． Ｎｅｗ Ｙｏｒｋ：ＡＣＭ，２０１８：３０５－３２０．

［１６］ＺＨＡＮＧ Ｙ，ＣＨＥＮ Ｙ，ＷＡＮＧ Ｙ Ｊ，ｅｔ ａｌ． ＣＳＩｂａｓｅｄ ＨｕｍａｎＡｃｔｉｖｉｔｙ Ｒｅｃｏｇｎｉｔｉｏｎ ｗｉｔｈ Ｇｒａｐｈ Ｆｅｗｓｈｏｔ Ｌｅａｒｎｉｎｇ［Ｊ］．ＩＥＥＥ Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ Ｊｏｕｒｎａｌ，２０２１，９（６）：４１３９－４１５１．。

［１７］ＺＨＡＮＧ Ｙ，ＷＡＮＧ Ｘ Ｙ，ＷＡＮＧ Ｙ Ｊ，ｅｔ ａｌ． Ｈｕｍａｎ ＡｃｔｉｖｉｔｙＲｅｃｏｇｎｉｔｉｏｎ Ａｃｒｏｓｓ Ｓｃｅｎｅｓ ａｎｄ Ｃａｔｅｇｏｒｉｅｓ Ｂａｓｅｄ ｏｎ ＣＳＩ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｏｂｉｌｅ Ｃｏｍｐｕｔｉｎｇ，２０２２，２１（７）：２４１１－２４２０．

［１８］ＷＡＮＧ Ｄ Ｚ，ＹＡＮＧ Ｊ Ｆ，ＣＵＩ Ｗ，ｅｔ ａｌ． Ｍｕｌｔｉｍｏｄａｌ ＣＳＩｂａｓｅｄ Ｈｕｍａｎ Ａｃｔｉｖｉｔｙ Ｒｅｃｏｇｎｉｔｉｏｎ Ｕｓｉｎｇ ＧＡＮｓ［Ｊ］． ＩＥＥＥＩｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ Ｊｏｕｒｎａｌ，２０２１，８（２４）：１７３４５－１７３５５．

［１９］ＧＵＬＲＡＪＡＮＩ Ｉ，ＡＨＭＥＤ Ｆ，ＡＲＪＯＶＳＫＹ Ｍ，ｅｔ ａｌ． ＩｍｐｒｏｖｅｄＴｒａｉｎｉｎｇ ｏｆ Ｗａｓｓｅｒｓｔｅｉｎ ＧＡＮｓ［Ｃ］∥ＮＩＰＳ’１７：Ｐｒｏｃｅｅｄｉｎｇｓｏｆ ｔｈｅ ３１ｓｔ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｎｅｕｒａｌ ＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍｓ． Ｎｅｗ Ｙｏｒｋ：ＡＣＭ，２０１７：５７６９－５７７９．

［２０］ＴＡＲＶＡＩＮＥＮ Ａ，ＶＡＬＰＯＬＡ Ｈ． Ｍｅａｎ Ｔｅａｃｈｅｒｓ ａｒｅ ＢｅｔｔｅｒＲｏｌｅ Ｍｏｄｅｌｓ：Ｗｅｉｇｈｔａｖｅｒａｇｅｄ Ｃｏｎｓｉｓｔｅｎｃｙ Ｔａｒｇｅｔｓ ＩｍｐｒｏｖｅＳｅｍｉｓｕｐｅｒｖｉｓｅｄ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ Ｒｅｓｕｌｔｓ［Ｃ］∥ＮＩＰＳ’１７：Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ３１ｓｔ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＮｅｕｒａｌＩｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍｓ． Ｎｅｗ Ｙｏｒｋ：ＡＣＭ，２０１７：１１９５－１２０４．

［２１］ＡＮＧＥＬＯＶ Ａ，ＲＯＢＥＲＴＳＯＮ Ａ，ＭＵＲＲＡＹＳＭＩＴＨ Ｒ，ｅｔ ａｌ．Ｐｒａｃｔｉｃａｌ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ Ｄｉｆｆｅｒｅｎｔ Ｍｏｖｉｎｇ Ｔａｒｇｅｔｓ ＵｓｉｎｇＡｕｔｏｍｏｔｉｖｅ Ｒａｄａｒ ａｎｄ Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ［Ｊ］． ＩＥＴ Ｒａｄａｒ，Ｓｏｎａｒ ＆ Ｎａｖｉｇａｔｉｏｎ，２０１８，１２（１０）：１０８２－１０８９．

［２２］ＬＡＩＮＥ Ｓ，ＡＩＬＡ Ｔ． Ｔｅｍｐｏｒａｌ Ｅｎｓｅｍｂｌｉｎｇ ｆｏｒ Ｓｅｍｉｓｕｐｅｒｖｉｓｅｄ Ｌｅａｒｎｉｎｇ［ＥＢ／ ＯＬ］． （２０１７ －０３ －１５）［２０２４ －０３ －２０］． ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ／ ａｂｓ／１６１０． ０２２４２． ２０１６．

［２３］ＺＨＡＯ Ｗ Ｍ，ＭＡＨＭＯＵＤ Ｑ Ｈ，ＡＬＷＩＤＩＡＮ Ｓ． Ｅｖａｌｕａｔｉｏｎｏｆ ＧＡＮｂａｓｅｄ Ｍｏｄｅｌ ｆｏｒ Ａｄｖｅｒｓａｒｉａｌ Ｔｒａｉｎｉｎｇ ［Ｊ ］．Ｓｅｎｓｏｒｓ，２０２３，２３（５）：２６９７．

［２４］ＭＡ Ｙ Ｓ，ＺＨＯＵ Ｇ，ＷＡＮＧ Ｓ Ｑ，ｅｔ ａｌ． ＳｉｇｎＦｉ：Ｓｉｇｎ Ｌａｎｇｕａｇｅ Ｒｅｃｏｇｎｉｔｉｏｎ Ｕｓｉｎｇ ＷｉＦｉ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅＡＣＭ ｏｎ Ｉｎｔｅｒａｃｔｉｖｅ，Ｍｏｂｉｌｅ，Ｗｅａｒａｂｌｅ ａｎｄ ＵｂｉｑｕｉｔｏｕｓＴｅｃｈｎｏｌｏｇｉｅｓ，２０１８，２（１）：１－２１．

［２５］ＧＵＯ Ｌ Ｌ，ＷＡＮＧ Ｌ，ＬＩＮ Ｃ，ｅｔ ａｌ． Ｗｉａｒ：Ａ Ｐｕｂｌｉｃ Ｄａｔａｓｅｔｆｏｒ ＷｉＦｉｂａｓｅｄ Ａｃｔｉｖｉｔｙ Ｒｅｃｏｇｎｉｔｉｏｎ ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０１９，７：１５４９３５－１５４９４５．

［２６］ＸＩＡＯ Ｃ Ｊ，ＨＡＮ Ｄ Ｊ，ＭＡ Ｙ Ｓ，ｅｔ ａｌ． ＣｓｉＧＡＮ：ＲｏｂｕｓｔＣｈａｎｎｅｌ Ｓｔａｔｅ Ｉｎｆｏｒｍａｔｉｏｎｂａｓｅｄ Ａｃｔｉｖｉｔｙ Ｒｅｃｏｇｎｉｔｉｏｎ ｗｉｔｈＧＡＮｓ［Ｊ］． ＩＥＥＥ Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ Ｊｏｕｒｎａｌ，２０１９，６（６）：１０１９１－１０２０４．

［２７］ＺＨＯＵ Ｂ，ＺＨＯＵ Ｒ，ＬＵＯ Ｙ，ｅｔ ａｌ． Ｔｏｗａｒｄｓ Ｃｒｏｓｓ ＤｏｍａｉｎＣＳＩ Ａｃｔｉｏｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｔｈｒｏｕｇｈ Ｏｎｅｓｈｏｔ ＢｉｍｏｄａｌＤｏｍａｉｎ Ａｄａｐｔａｔｉｏｎ［Ｃ］∥Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍｏｂｉｌｅ ａｎｄ Ｕｂｉｑｕｉｔｏｕｓ Ｓｙｓｔｅｍｓ：Ｃｏｍｐｕｔｉｎｇ，Ｎｅｔｗｏｒｋｉｎｇ，ａｎｄＳｅｒｖｉｃｅｓ． Ｃｈａｍ：Ｓｐｒｉｎｇｅｒ，２０２２：２９０－３０９．

作者簡(jiǎn)介：

史心癑 女，（１９９９—），碩士研究生。主要研究方向：通感一體化、無線信號(hào)識(shí)別、人體行為識(shí)別等。

夏文超 男，（１９９１—），博士，副教授。主要研究方向：邊緣智能無線通信、通感一體化、大規(guī)模ＭＩＭＯ 等。

趙海濤 男，（１９８３—），博士，教授。主要研究方向：衛(wèi)星物聯(lián)網(wǎng)、智能車聯(lián)網(wǎng)、工業(yè)互聯(lián)網(wǎng)等關(guān)鍵技術(shù)及系統(tǒng)研發(fā)等。

楊麗花 女，（１９８４—），博士，副教授。主要研究方向：移動(dòng)無線通信、通信信號(hào)處理、多載波通信系統(tǒng)等。

阮欣雨 女，（２００３—）。主要研究方向：人工智能、無線通信等。

常天水 男，（２００５—）。主要研究方向：人工智能、無線通信等。

基金項(xiàng)目：國(guó)家自然科學(xué)基金面上項(xiàng)目（６２３７１２５０）；國(guó)家自然科學(xué)基金青年基金項(xiàng)目（６２２０１２８５）；江蘇省基礎(chǔ)研究計(jì)劃（自然科學(xué)基金）前沿引領(lǐng)技術(shù)基礎(chǔ)研究專項(xiàng)（ＢＫ２０２１２００１）；江蘇省自然科學(xué)基金杰出青年基金項(xiàng)目（ＢＫ２０２２００５４）