基于ＷＧＡＮ-ＧＰ 和Ｍｅａｎ Ｔｅａｃｈｅｒ 的ＷｉＦｉ 使能跨域人體行為識別

摘 要：人體行為識別（Ｈｕｍａｎ Ａｃｔｉｖｉｔｙ Ｒｅｃｏｇｎｉｔｉｏｎ，ＨＡＲ）是當前眾多研究工作的基石，對于推動人機交互和智能數(shù)字化轉型具有巨大潛力。由于目標域樣本較難采集，現(xiàn)有方法在跨域識別方面表現(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 信號中獲取信道狀態(tài)信息（Ｃｈａｎｎｅｌ Ｓｔａｔｅ Ｉｎｆｏｒｍａｔｉｏｎ，ＣＳＩ）并轉化為圖像，在基于Ｗａｓｓｅｒｓｔｅｉｎ 距離和梯度的生成對抗網絡（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域樣本特征聯(lián)合對抗，生成同時帶有雙域特征的虛擬樣本。該方法還結合基于Ｍｅａｎ Ｔｅａｃｈｅｒ 的半監(jiān)督學習設計識別分類（Ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ，ＲＣ）模塊，通過對有標記樣本與無標記樣本分別構造損失函數(shù)，進行整體一致性損失的評估，實現(xiàn)對目標域樣本的識別。實驗結果證明了所提方法能夠在減輕目標域樣本采集壓力的同時，實現(xiàn)較高的檢測精度，在手勢與動作的數(shù)據(jù)集上測試準確率分別達到９２． ７１％ 和８６． ６５％ 。

關鍵詞：人體行為識別；生成對抗網絡；Ｍｅａｎ Ｔｅａｃｈｅｒ 模型；跨域識別

中圖分類號：ＴＮ９２ 文獻標志碼：Ａ 開放科學（資源服務）標識碼（ＯＳＩＤ）：

文章編號：１００３－３１１４（２０２４）０６－１１９２－０８

０ 引言

隨著移動通信與物聯(lián)網的飛速發(fā)展，各種業(yè)務類型層出不窮。其中，全息遠程呈現(xiàn)、無人駕駛、多感官互聯(lián)等新型業(yè)務對感知的需求愈發(fā)迫切，特別是人類活動。區(qū)別于剛性物體例如汽車和建筑物，人類活動對信號的傳播存在著更加復雜的影響［１］。相比于傳統(tǒng)感知方式，例如使用穿戴式傳感設備、對攝像內容進行分析檢測等，通感協(xié)同的方式能夠節(jié)約成本，減少隱私的泄露。這一技術在當下蓬勃發(fā)展的人機交互領域有著廣泛的應用前景，也可以在醫(yī)療告警及其他方面提供有力的技術支持，因此成為了當前至關重要的一項研究。

目前，ＷｉＦｉ 信號是最常見的室內無線信號［２］，可用于感知周圍環(huán)境。人體對無線信號有較好的反射特性，因此能夠穿墻的ＷｉＦｉ 信號在人體行為識別（Ｈｕｍａｎ Ａｃｔｉｖｉｔｙ Ｒｅｃｏｇｎｉｔｉｏｎ，ＨＡＲ）這一領域有諸多優(yōu)勢，包括方便性、簡易性、隱私保護性以及設備的低成本。

通常來說，ＷｉＦｉ 信號主要用于通信，可以采用接收信號強度指示器（Ｒｅｃｅｉｖｅｄ Ｓｉｇｎａｌ Ｓｔｒｅｎｇｔｈ Ｉｎｄｉ-ｃａｔｏｒ，ＲＳＳＩ）［３］或信道狀態(tài)信息（Ｃｈａｎｎｅｌ Ｓｔａｔｅ Ｉｎｆｏｒ-ｍａｔｉｏｎ，ＣＳＩ）［４］進行信道狀態(tài)分析。不過ＲＳＳＩ 信號為粗粒度，且穩(wěn)定性不高，受具體設備型號及其他影響較大。ＣＳＩ 信號優(yōu)勢在于能夠提供關于信道狀態(tài)相對精確的信息，當人類在檢測范圍內活動，人體對ＷｉＦｉ信號進行的反射通常會在ＷｉＦｉ 接收器上產生獨特的ＣＳＩ 變化。例如，在多載波系統(tǒng)中，對于其中的每個子信道，發(fā)射器與接收器天線上都能夠測量傳播的無線信號，并提供不同子信道的幅度與相位失真，從而分析其在時域的變化對不同的人和活動所呈現(xiàn)出的不同模式，這已經足夠滿足當前的ＨＡＲ 需求［５］。

目前，已有許多工作集中討論了使用ＷｉＦｉ 信號的ＣＳＩ 數(shù)據(jù)進行ＨＡＲ［６－１１］。在這些工作中，大致可以分為相同環(huán)境和跨環(huán)境兩方面來進行研究。早期的研究大多集中在相同環(huán)境下的檢測問題，例如，文獻［８］展示了基于ＷｉＦｉ ＣＳＩ 數(shù)據(jù)的室內定位和日常生活中的活動檢測。文獻［９］通過去除噪聲和冗余，對原始ＣＳＩ 測量進行處理，然后使用卷積神經網絡和長短期記憶網絡模型結合執(zhí)行ＨＡＲ。文獻［１０］將ＣＳＩ 信號轉化為無線電圖像，并通過深度稀疏自動編碼器學習ＨＡＲ 的區(qū)分特征。文獻［１１］發(fā)現(xiàn)兩個天線上ＣＳＩ 相位差相比于幅值更加敏感，能夠更可靠地區(qū)分活動，與時頻域的急劇功率分布下降模式結合，并使用支持向量機進行檢測分類。

而近期的研究和應用表明，ＷｉＦｉ 信號實際上受環(huán)境影響較大，傳統(tǒng)的檢測模型在新環(huán)境下容易變得不再適用，識別效果較差［１２－１３］。因此，近年來這一領域的研究重點主要轉向能夠適應環(huán)境變化的檢測方法，比如提取環(huán)境無關特征和域適應方法。文獻［１４］采用差異化的速度特征來區(qū)分跌倒與日常生活動作，從而規(guī)避了不同環(huán)境對識別的干擾。文獻［１５］采用遷移學習網絡，通過提取源域和目標域中共享的特征來實現(xiàn)環(huán)境穩(wěn)健的ＨＡＲ。文獻［１６－１７］分別使用少樣本學習網絡和元學習。

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

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

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 中增設一個判別器用于目標域樣本評分，能夠在與源域樣本對抗生成的同時，引導生成器生成與目標域樣本含有相似特征的虛擬樣本。

② 提出了針對有標簽樣本與無標簽樣本分別構建的樣本集和損失函數(shù)，基于兩個樣本集聯(lián)合訓練，實現(xiàn)整體訓練的一致性損失評估，完成對目標域樣本的識別。

數(shù)值結果驗證了所提方法可以在降低采集目標域樣本難度的前提下，實現(xiàn)較高的檢測精度，在手勢與動作的數(shù)據(jù)集上測試準確率分別能夠達到９２． ７１％ 和８６． ６５％ 。

１ 系統(tǒng)模型

ＷｉＦｉ 信號除了用于通信，也可以解決ＨＡＲ 問題，這是因為在ＷｉＦｉ 信號覆蓋范圍內人體移動會影響多徑傳播。本文考慮典型的室內環(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 隨著人體活動的變化來推斷人的當前活動狀態(tài)，具體如圖１ 所示。

傳統(tǒng)的半監(jiān)督方法在每一個輪次都需要更新參數(shù)，當使用數(shù)據(jù)量較大的數(shù)據(jù)集時，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 模型能夠對模型的權重進行滑動平均，可以用來估計變量的局部均值，使得變量更新與一定時間內的歷史值相關。但ＭｅａｎＴｅａｃｈｅｒ 在跨域進行目標識別時，由于目標域數(shù)據(jù)樣本采集通常比較困難、可用樣本數(shù)量少，導致訓練出的模型容易產生偏差。換言之，基于Ｍｅａｎ Ｔｅａｃｈｅｒ方法訓練出來的模型泛化性差。

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

其中，基于改進ＷＧＡＮＧＰ 的ＶＳＧ 模塊，針對每個行為動作，結合大量帶標簽的源域樣本和單目標域樣本生成虛擬樣本，通過與兩個判別器聯(lián)合對抗，生成同時帶有源域動作信息和目標域環(huán)境信息的類目標樣本，提高模型對目標域的適應性。此外，為提高模型的魯棒性，本文嘗試對源域樣本進行隨機加噪，然后再輸入模型，增強了網絡的抗噪能力。該模型能夠運用單目標域標記樣本進行更好的目標域行為識別。

２ 本文方法

如上所述，本文所提方法包括３ 個模塊，即ＤＰ、ＶＳＧ 和ＲＣ。ＤＰ 模塊用于獲取圖像，將生成圖像輸入ＶＳＧ 模塊生成類目標樣本。使用真實樣本與虛擬樣本進行Ｍｅａｎ Ｔｅａｃｈｅｒ 的模型訓練，接下來將依次介紹這３ 個模塊。

２． １ ＤＰ 模塊

信道沖激響應（Ｃｈａｎｎｅｌ Ｉｍｐｕｌｓｅ Ｒｅｓｐｏｎｓｅ，ＣＩＲ）是信號在時域上的響應，矩陣的行代表信道的響應在不同時間點上的取值，列代表不同的傳播路徑對信號的影響。通過對ＣＩＲ 矩陣進行頻域轉換，并分析其頻域響應的幅度部分，即可提取出對應的ＣＳＩ信息。

ＣＳＩ 幅度可以根據(jù)人體反射特定多徑信號的程度來描述人體活動，而相位則反映了路徑長度變化導致的延遲。從圖１ 中可以看出，當人體進入傳播路徑時，信號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 信號發(fā)生變化。

在無線信道上，接收信號Ｙ 與發(fā)射信號Ｘ 的關系可以表示為：

Ｙ＝ＨＸ＋Ｎ， （１）

式中：Ｈ 為信道增益矩陣，Ｎ 為噪聲矩陣。矩陣Ｈ中每個元素代表ＣＳＩ 值。通常情況下，對于位置固定、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 為符號頻率，τｐ（ｎ）為第ｐ 個子載波上第ｎ 個分組的時延。

使用巴特沃茲濾波器對ＣＳＩ 數(shù)據(jù)濾波，通過短時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)并標注的方式來得到目標域有標記樣本，這些樣本的數(shù)量會直接影響模型的訓練效果。然而，數(shù)據(jù)需要通過對照已知類型的方式確定標簽并進行人工標注，人力與時間的消耗和樣本的數(shù)量成正比。這也意味著，當環(huán)境發(fā)生變化時，需要重新采集新環(huán)境下的樣本，這會帶來非常巨大的資源消耗。在資源有限的前提下，目標域內通常只能獲得數(shù)量非常有限的有標記樣本。而通過生成虛擬樣本，能夠有效緩解真實樣本缺失造成的問題。

因此，本文引入ＷＧＡＮＧＰ 模型并加以改進僅需在目標域批量采集樣本，并確保每個類型能篩選一個樣本，其余樣本均無需標記，即可用來生成類目標樣本。

理想情況下，ＧＡＮ 應當在訓練后達到對抗的納什均衡。但在實際訓練中，傳統(tǒng)ＧＡＮ 中判別器的訓練效果通常遠遠好于生成器，導致虛擬樣本與真實樣本易被區(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樣本所有可能的聯(lián)合分布中采樣計算二者的期望距離，并對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樣本。但在優(yōu)化過程中，為避免梯度波動引入的截斷方式又帶來了新的問題。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樣本，真實樣本會得到更高的分數(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，則其計算梯度會沿著損失函數(shù)變大的方向優(yōu)化，這會導致參數(shù)都會被截斷限制，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。針對該問題，ＷＧＡＮＧＰ 模型通過引入梯度懲罰項來緩解梯度消失問題。具體而言，使用梯度懲罰代替截斷，通過在損失函數(shù)中添加一個額外的正則化項，懲罰判別器在輸入樣本處的梯度模長使其偏離１，在強制判別器保持Ｌｉｐｓｃｈｉｔｚ 連續(xù)性的同時，避免了截斷可能導致的不穩(wěn)定性問題。

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

為了免生成結果與真實樣本過度相似而失去生成虛擬樣本的意義，不同于ＧＡＮ，預先對真實樣本添加高斯噪聲ｚ。定義源域樣本為ｘｓ，目標域樣本為ｘｔ，生成的虛擬樣本為ｘｖ。引入常數(shù)α∈（０，１）權衡樣本數(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 的目標可以定義為：

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

判別器Ｄ２ 的輸入來自目標域樣本ｘｔ，Ｄ２ 的設計目的是引導生成器Ｇ 生成與目標域樣本特征相似的樣本。Ｄ２ 的損失函數(shù)可相應求得：

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

生成器Ｇ 通過與判別器對抗來學習已知活動分類的特征信息，并生成與真實樣本相似的虛擬樣本。則生成器Ｇ 的優(yōu)化目標為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域特征的權重參數(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現(xiàn)對已知類中的行為樣本識別。需要指出的是，傳統(tǒng)的Π 模型［２２］在訓練前期僅使用標記數(shù)據(jù)，要求損失函數(shù)中的無監(jiān)督分量必須緩慢增長，否則網絡會快速收斂，導致訓練得到無效解。在實際應用中，這一要求極大地限制了模型訓練的運算速度。Ｔｅｍｐｏｒａｌ Ｅｎｓｅｍｂｌｉｎｇ（ＴＥ）［２２］則是在Π的基礎上采用當前與歷史模型預測結果的均值做均方差計算，保留歷史信息的同時有效地消除了擾動并保持穩(wěn)定，但仍舊存在面對大數(shù)據(jù)集時需要對每個輪次進行標簽更新，導致訓練緩慢的問題。針對上述問題，本文提出了改進的Ｍｅａｎ Ｔｅａｃｈｅｒ 模型用于動作識別分類。

Ｍｅａｎ Ｔｅａｃｈｅｒ 通過將模型假定為兩種角色，即學生模型和教師模型，來解決這一問題。這兩個模型架構相同，與ＴＥ 的區(qū)別在于，該方法對模型權重而不是預測結果進行加權平均，有效地減少了對有標簽數(shù)據(jù)的需求，減少了運算負擔。本文提出的基于Ｍｅａｎ Ｔｅａｃｈｅｒ 的ＲＣ 模塊也分為教師模型和學生模型。對于學生模型而言，本文使用真實樣本與ＶＳＧ 模塊得到的虛擬樣本作為輸入。學生模型對輸入樣本提取特征，計算得到模型預測值與真實標簽之間的損失，從而更新學生模型的參數(shù)，教師模型則用于對無標記樣本生成偽目標標簽來指導學生模型學習。

為避免教師模型生成錯誤的偽標簽，導致無監(jiān)督部分的損失遠大于監(jiān)督部分的損失，從而使模型的性能變差，本文使用學生模型權重的指數(shù)移動平均（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 為學生模型在ｔ 時刻的參數(shù)，θ′ｔ 為教師模型在ｔ 時刻的參數(shù)，常數(shù)γ∈（０，１）用于調節(jié)訓練期間參數(shù)的權衡。即教師模型基于歷史模型參數(shù)與最新學生模型參數(shù)給出偽標簽，保證了模型參數(shù)的穩(wěn)定性。在訓練初期，學生模型通過訓練提升較快，因此γ 的值相對較小，便于教師模型更快地過濾之前不好的參數(shù)。在訓練后期，學生模型參數(shù)趨于穩(wěn)定，γ的值也相應增大，從而避免某次錯誤參數(shù)更新影響整體訓練，得到更加穩(wěn)定的模型。

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

針對有標記樣本ＸＬ，構造其分類損失函數(shù)為：

式中：ｙｌｓｉ 代表學生模型對樣本ｘｌｉ的預測結果，通過與真實標簽對比來更新學生模型的參數(shù)。對于未標記樣本ＸＵ，學生模型和教師模型對同一個輸入進行預測，通過計算學生模型預測結果與教師模型預測結果之間的均方誤差（ＭｅａｎＳｑｕａｒｅ Ｅｒｒｏｒ，ＭＳＥ）構建一致性損失函數(shù)：

式中：ｙｕｔｉ 代表教師模型對樣本ｘｕｉ的預測結果，ｙｕｓｉ 代表學生模型對樣本ｘｕｉ的預測結果。本文使用Ｌｕ 懲罰教師模型和學生模型之間的預測結果差異，引導學生模型訓練出更佳的參數(shù)。需要注意的是，教師模型在此處只起到一個提供預測偽標簽的作用，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)此可完成對目標的識別與分類。

２． ４ 復雜度分析

對所提方法進行復雜度分析。類似地［２３］，ＶＳＧ模塊的復雜度為Ｏ（ｎＶ ×ｍＶ ×ｋＶ），其中ｎＶ 為ＶＳＧ 迭代次數(shù)，ｍＶ 為一次迭代中的總訓練步驟，ｋＶ 為一個訓練步驟內的反向傳播要求，即對抗樣本生成與網絡參數(shù)更新的總要求，由于存在兩個判別器，在最壞的情況下，一個訓練步驟中包括兩次判別器評分與３ 次參數(shù)更新，即ｋＶ≤５。

同理，ＲＣ 模塊的復雜度為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練步驟，ｋＲ 為一個訓練步驟內的反向傳播要求，即學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 模型的總復雜度為Ｏ（ｎＶ ×ｍＶ ×ｋＶ ＋ｎＲ ×ｍＲ ×ｋＲ）。

３ 仿真分析

本節(jié)將通過實驗仿真對所提的ＷＧＭＴ 模型性能進行評估，使用平均準確率作為評估指標。文中所用的參數(shù)設置如表１，其中ＧＡＮ 和Ｍｅａｎ Ｔｅａｃｈｅｒ模型均使用Ａｄａｍ 優(yōu)化器，但學習率不同。

本文使用兩個公開數(shù)據(jù)集Ｓｉｇｎｆｉ［２４］和ＷｉＡＲ［２５］進行實驗，其中Ｓｉｇｎｆｉ 數(shù)據(jù)集是由５ 個用戶執(zhí)行的１５０ 個手語手勢數(shù)據(jù)，每個手勢各１０ 條；ＷｉＡＲ 數(shù)據(jù)集是由１０ 個用戶執(zhí)行的１６ 個行為動作，每個動作各３０ 條，本文選用其中的５ 個用戶數(shù)據(jù)。由于在ＨＡＲ 領域，不同的人的人體形態(tài)及動作習慣均有區(qū)別，即可以視為每個人的數(shù)據(jù)均為不同的域內數(shù)據(jù)。因此，在本文所設的實驗環(huán)境中，采用其中一人的數(shù)據(jù)作為測試數(shù)據(jù)，其他人的數(shù)據(jù)作為訓練數(shù)據(jù)。同時，選取大量目標域未標記樣本用于訓練，以滿足Ｍｅａｎ Ｔｅａｃｈｅｒ 模型的需求。

為更好地對比，設計了一個變體ＷｉＦｉ-ＧＡＮ-ｂａｓｅｄＭｅａｎ Ｔｅａｃｈｅｒ ｗｉｔｈ Ｓｉｎｇｌｅ Ｄｉｓｃｒｉｍｉｎａｔｏｒ（ＷＧＭＴ-ＳＤ）用于實驗。該變體使用單個判別器的生成網絡，即傳統(tǒng)未經過改進的ＷＧＡＮ-ＧＰ 作為ＶＳＧ 模塊，其為制變量，本文將在ＷＧＭＴ 方法中將用于訓練ＶＳＧ 模塊的所有樣本用于ＷＧＡＮ-ＧＰ 訓練。

由于ＷＧＭＴ 與ＷＧＭＴ-ＳＤ 區(qū)別在ＶＳＧ 模塊，因此進一步分析該模塊復雜度。所提的ＶＳＧ 模塊主要在損失函數(shù)層面改進，對模型的復雜性幾乎沒有影響。具體而言，前文所述ＷＧＭＴ 中ＶＳＧ 模塊的復雜度為Ｏ（ｎＶ ×ｍＶ ×ｋＶ），ｋＶ ≤５。而ＷＧＭＴ-Ｄ 僅存在一個判別器，在最壞的情況下，一個訓練步驟中包括一次判別器評分與３ 次參數(shù)更新，即ｋＶ ≤４。因此，ＷＧＭＴ-ＳＤ 中ＶＳＧ 模塊的復雜度為Ｏ（ｎＶ ×ｍＶ ×ｋＶ），ｋＶ≤４。

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

此外，對二者在不同數(shù)據(jù)集中的平均準確率與Ｆ１ 分數(shù)匯總如表２ 所示，說明本文所提ＷＧＭＴ 方法在跨域的識別中，無論是在動作識別還是手勢識別上都有顯著優(yōu)勢，這意味著對目標域樣本的合理利用，能夠有效地增強模型最后的識別性能。

不難看出，所提方法對手勢的識別精度比對行為動作的識別精度高，因為手勢通常具有較為明顯的模式和動態(tài)特征，而動作可能涉及更廣泛的時間范圍，模式更加復雜。

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比。

① Ｍｅａｎ Ｔｅａｃｈｅｒ：基于純粹Ｍｅａｎ Ｔｅａｃｈｅｒ 的半監(jiān)督學習框架，使用學生模型權重的ＥＭＡ 值定義教師模型的權重，通過最小化師生模型預測差異進行訓練。

② ＣｓｉＧＡＮ［２６］：設計了補碼生成器，用于有限未標記數(shù)據(jù)產生新的虛擬樣本，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)定學習過程。

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

這些模型在兩個數(shù)據(jù)集上的性能匯總如圖４ 所示。實驗結果表明，本文所提方法在跨域環(huán)境下的手勢識別及動作識別中都有較好性能，充分顯示了所提方法的優(yōu)越性。

４ 結束語

本文基于改進后的ＷＧＡＮ-ＧＰ 和Ｍｅａｎ Ｔｅａｃｈｅｒ構建了一個名為ＷＧＭＴ 的跨域ＨＡＲ 框架。通過對傳統(tǒng)ＧＡＮ 結構進行調整，增設一個對目標域樣本特征進行評分的判別器，指導生成器生成與已知活動類別樣本有相似特征的樣本，有效地提高了模型對目標域的適應性，大大減輕目標域樣本采集難度的同時，保證了識別的準確性。通過在兩個公共數(shù)據(jù)集的實驗證明，所提的ＷＧＭＴ 方法能夠提高手勢及動作的識別精度，優(yōu)于其他現(xiàn)有方法。

參考文獻

［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、無線信號識別、人體行為識別等。

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、智能車聯(lián)網、工業(yè)互聯(lián)網等關鍵技術及系統(tǒng)研發(fā)等。

楊麗花 女，（１９８４—），博士，副教授。主要研究方向：移動無線通信、通信信號處理、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。

基金項目：國家自然科學基金面上項目（６２３７１２５０）；國家自然科學基金青年基金項目（６２２０１２８５）；江蘇省基礎研究計劃（自然科學基金）前沿引領技術基礎研究專項（ＢＫ２０２１２００１）；江蘇省自然科學基金杰出青年基金項目（ＢＫ２０２２００５４）