基于WiFi的HAR的面向目标的半监督领域适应

项目来源：

  中科大双创项目

项目简介：

  人类活动识别(HAR)在智能家居、医疗保健、跌倒检测、VR/AR中起到非常重要的作用。传统的HAR是通过计算机视觉技术或可穿戴传感器实现的，前者需要人类出现在相机视野中，而后者需要人类穿戴复杂的传感设备，因此，无线HAR有着巨大的吸引力。目前，无线HAR的研究大致可以分为两类：基于设备的和无设备的。其中基于设备的需要人们佩戴额外的无线设备（如智能手表、手机等），并不方便，并且需要经常充电。这使得无设备的HAR系统，特别是基于WiFi的HAR解决方案通常是更好的选择。而最新的深度学习模型可以实现端到端的识别，使得HAR的性能超越了传统机器学习，成为主流。

  另外，虽然在单一域（训练和测试都在一致的WiFi环境）中，实现精确的识别是相对容易的，但是这样的模型很难推广到其他域中。特别是基于WiFI的HAR，其训练、测试和使用环境会发生很大变化，导致精度降低。

  因此，本项目开发出一种面向目标的半监督域适应方法(TOSS)，首次将半监督域适应性应用在基于WiFI的HAR工作。此外，采用基于不确定的方法划分内集，使元学习器能够更好地对源域样本进行快速适应。

项目方法：  

  我们将细粒度的CSI测量值作为原始输入数据，并使用Hampel滤波器对CSI测量值进行初步去噪。CSI对于人类的动作足够敏感，当人移动时，每个信道状态都会发生变化。

  为了充分利用样本，我们在元学习基础上，开发了一种面向目标的半监督式适应方法。我们将样本来自同一领域的任务称为同质任务，不同领域的任务称为异质任务，如果只存在一个源域，我们只对同质任务进行采样，否则我们对混合（包含同质和异质）任务进行采样。

  接下来我们对标签进行伪标签分配。为了使软标签和硬标签动态平衡，我们提出了基于动态熵的平衡法来解决这个问题。

  最后，为了帮助TOSS更有效地从目标任务中学习有用的知识，我们对元学习器进行了优化，使其不偏向于某些源任务。

项目成果：

  在一对一单次域适应中，TOSS在MANL基础上得到了进一步的提升，并且超过了当前最先进的无监督域适应模型HAD和半监督域适应模型PACL；在多元单次域适应中，TOSS的准确率也超过其它现有模型。大量的实验表明，我们的方法可以大大优于最先进的模型，并可以为一系列真实场景问题提供有前途的解决方案。