Hiện nay, với sự phô biến rộng rãi của các thiết bị Wi-Fi thương mại, việc nghiêncứu phương pháp nhận diện hành động con người dựa trên tín hiệu sóng Wi-Fi là tiền đề để phát triển các ứ
Nhận diện hành động con người trong thực tiễn
Trong thực tiễn, các ứng dụng nhận diện hành động con người ngày càng trở nên rộng rãi và phô biến Các ứng dụng đó hỗ trợ cho đời sống, nhu cầu của con người và có mối liên hệ to lớn đối với nhiều lĩnh vực khác nhau như kinh tế, quân sự, y học.
Từ những năm 80, lĩnh vực nhận diện hành động con người bắt đầu được quan tâm và nghiên cứu phát trién Cho đến hai thập ki gần đây, nhận diện hành động con người đã trở thành một trong những chủ đề được tích cực nghiên cứu Hiện nay, đi kèm với sự phát triển của Internet vạn vật (Internet of Things — IoT), các ứng dụng áp dụng phương pháp nhận diện hành động con người ngày càng trở nên phô biến trong rất nhiều lĩnh vực Các lĩnh vực có thể kể đến như: thiết bị giám sát trong gia đình, nơi công cộng, các cam biến đồ vật, các thiết bị cảm biến đeo trên người để chăm sóc sức khỏe, cảm biến dự đoán được hành động con người.
Phương pháp nhận diện hành động con người
Rat nhiều khảo sát tóm tắt các công trình nghiên cứu về lĩnh vực nhận diện hành động con người, trong đó các nghiên cứu áp dụng nhiều loại phương pháp khác nhau dé ghi thông tin các hành động con người Từ những khảo sát đó, các tác giả [8] đã phân loại các phương pháp ghi nhận hành động thành bốn loại chính: dựa vào tam
29 nhìn, dựa vào cảm biến, dựa vào thiết bị đeo và dựa vào sóng vô tuyến Mỗi phương pháp có các hướng tiếp cận, đi kèm với những thiết bị, thuộc tính và những kỹ thuật dùng đề hỗ trợ thu thập dữ liệu Mặt khác, mỗi phương pháp đều mang những ưu điểm, hạn chế riêng và phục vụ cho các mục đích khác nhau trong ứng dụng thực tế.
Công nghệ WWi-EÌ cọc 11 krerrrrrrrree 30
Tổng quan về công nghệ Wi-Ei .- -ccc5cccsscsrrrscrrre v3Ô)
Wi-Fi là công nghệ mạng không dây sử dụng sóng vô tuyến đề truyền tín hiệu.
“Wi-Fi” là một tên gọi đã được đăng ký khi dé cập đến các tiêu chuân IEEE802.1 Ix, và thông thường, người dùng thường nhằm lẫn rằng thuật ngữ “Wi-Fi” là tên gọi tắt của Wireless Fidelity [9].
Lịch sử phát triển của Wi-Fi bắt đầu vào năm 1971, một gói mạng UHF không dây được sử dụng ở Hawaii để liên kết các đảo và đây cũng là nơi khởi nguồn cho công nghệ Wi-Fi Cho đến năm 1991, các giao thức sau đó được phát triển bởi NCR. và AT&T có tên là WaveLAN được xem là tiền thân của các tiêu chuẩn IEEE802.11.
Nam 1999, Liên minh Wi-Fi (The Wi-Fi Alliance) đã được thành lập và sở hữu nhãn hiệu đăng kí với tên “Wi-Fi”, nó định nghĩa Wi-Fi là có thể là bất kỳ sản phẩm mạng cục bộ không dây (WLAN) nao, chỉ cần dựa trên tiêu chuẩn IEEE802.1 1.
Mạng Wi-Fi không có kết nối vật lý giữa hai thiết bị gửi và nhận mà hoạt động bằng việc sử dụng công nghệ tần số vô tuyến (Radio frequency — RF) - là một tần số trong phô điện từ dùng để truyền sóng vô tuyến Khi anten được cung cấp một dòng điện RF, trường điện từ được tạo ra sau đó lan truyền trong không gian, để các thiết bị có thé truy cập vào mạng không dây, cần phải có một điểm truy cập (access point
— AP) dé cung cấp tín hiệu không dây Từ đó, các thiết bị có thể xác định và sử dụng chúng dé tham gia vào mạng.
Cho đến nay, Wi-Fi đã trở thành một nhu cầu trong cuộc sống hàng ngày của con người, có đến hơn một tỷ điểm truy cập Wi-Fi liên kết gần một trăm tỷ thiết bịIoT, điện thoại thông minh, máy tính bảng, laptop, PC hay các thiết bị kết nối Internet khác Với sự phổ biến rộng rãi, Wi-Fi đang là cách kết nối Internet không dây nhanh nhất và giúp tiết kiệm nhiều chỉ phí.
Các tiêu chuẩn Wi-Fi 555csceeerrrrrr dL 3.2.3 Thông tin trạng thái kênh (ruyên - ¿55 +c+cse£vxeeeexexee 32 3.3 Thiết bị vô tuyến khả lập trình (Software-defined Radio)
Wi-Fi được ứng dụng vào nhiều lĩnh Vực với nhiều mục đích khác nhau, vì vậy cần phải đặt ra một tiêu chuẩn với các thông số kỹ thuật được chấp thuận bởi các quốc gia trên thế giới Bên cạnh đó các tiêu chuẩn đảm bảo rằng các thiết bị của các nhà sản xuất khác nhau đều có thé kết nối được với nhau Các tiêu chuân Wi-Fi được đặt ra và duy trì bởi Viện Kỹ sư điện và điện tử (Institute of Electrical and Electronic Engineers - IEEE) và thuộc dòng IEEE802.11.
Tiêu chuẩn Wi-Fi dau tiên được giới thiệu vào năm 1971 đó là 802.11, là tiêu chuẩn mạng không dây đầu tiên với tốc độ hỗ trợ 2Mbps và băng tần 2.4Ghz Sau đó, khi các tiểu chuẩn tiếp theo được giới thiệu thì tên gọi 802.11 thường được thêm vào sau đó một chữ cái thường dé biéu thị như 802.11b, 802.11a, Các thế hệ của tiêu chuẩn Wi-Fi luôn phát triển theo thời gian, từ tốc độ hỗ trợ tối đa 2Mbps lên đến 10Gbps đối với chuẩn IEEE802.11ax (Wi-Fi 6) Ngoài việc nang cao tốc độ, các tiêu chuẩn thé hệ sau còn cung cấp băng thông rộng hơn, hỗ trợ nhiều loại dịch vụ và tinh bảo mật tốt hơn Các thông số về các thé hệ tiêu chuẩn Wi-Fi cho đến hiện nay được so sánh chỉ tiết ở bảng 3.1.
Loại tiờu chuẩn Năm phỏt ơ kak kan ke
IEEE802.11 hành Tân sô hồ trợ Tôc độ tôi đa
802.11 1997 2.4GHz 2Mbps 802.11b (Wi-Fi 1) 1999 2.4GHz 11Mbps
802.11n (Wi-Fi 4) 2009 2.4GHz hoặc 5GHz 600Mbps
802.1 lac (Wi-Fi 5) 2013 5GHz 6.93Gbps
802.1 1ax (Wi-Fi 6) 2019 2.4GHz hoac 5GHz 9.6Gbps
Bảng 3-1 Thông số về các thế hệ tiêu chuẩn Wi-Fi
3.2.3 Thông tin trang thái kênh truyền
Thông tin trạng thái kênh truyền (Channel state information — CSI) là một thuộc tính đặc trưng cho cách tín hiệu lan truyền trong mạng không dây từ bộ phát đến bộ thu ở tần số sóng mang nhất định Các giá trị của CSI bao gồm biên độ và pha bị ảnh hưởng bởi thời gian trễ, suy giảm công suất trên khoảng cách và dịch pha.
CSI được tính toán khi bộ phát Wi-Fi gửi các Long Training Symbol (LTS) chứa các tín hiệu được xác định trước cho từng sóng mang con Khi bộ thu Wi-Fi nhận được LTS, nó sẽ tính toán sự khác biệt giữa LTS khi nhận được so với LTS ban đầu Sự ảnh hưởng của kênh truyền lên tín hiệu Wi-Fi phát đi có thé được mô tả toán học như sau: y=Hx+m
Trong đó: ey là tín hiệu nhận được e H làma trận CSI ¢ x là tín hiệu truyền di e nla vecto nhiễu
CSI được tính cho mỗi sóng mang con được chia bằng kỹ thuật ghép kênh phân chia theo tần số trực giao (Orthogonal Frequency Division Multiplexing - OFDM).
Dé cụ thé, trong khóa luận này, bộ dữ liệu được xây dựng với băng thông kênh là 20MHz và phố tần số được chia thành 52 sóng mang con, CSI cho mỗi điểm tần số (tương ứng với mỗi sóng mang con) được xem là: h = |hịe?9 Trong đó h| là biểu diễn cho biên độ và 0 là biểu diễn cho pha của CSI.
Các giá trị CSI bị biến đổi khi có sự chuyển động của con người, và các hành động khác nhau của con người tạo nên sự khác biệt giữa các giá trị CSI] Do đó các nhà nghiên cứu đã ứng dụng CSI để xây dựng bộ dữ liệu [1] [7] cho lĩnh vực nhận diện hành động con người dựa trên các giá trị biên độ và pha CSI thu được Tuy nhiên, các nhà nghiên cứu ở [1] cho rằng chỉ có biên độ là giá trị phổ biến được sử dụng Các giá trị pha trả về thường rất nhiễu trong các nền tảng Wi-Fi thông thường vì do không có sự đồng bộ hóa giữa bộ phát và bộ thu tín hiệu Chính vì thế, bộ dữ liệu UIT _Flextension được xây dựng chỉ sử dụng giá trị biên độ để ứng dụng cho nghiên cứu nhận diện hành động con người sử dụng tín hiệu Wi-Fi Hình 3.2 là ví dụ về hình ảnh CSI được vẽ chứa thông tin hành động vay tay qua đầu được thu bởi anten 1 [1]. Hình vẽ mô tả sự thay đổi CSI của 52 sóng mang con theo thời gian - tương ứng với
52 đồ thị biên độ theo thời gian Mỗi đơn vị thời gian trong hình vẽ tương đương với một gói tin thu được Độ đài gói tin có thé được tùy chỉnh theo các cau hình tín hiệu khác nhau.
Hình 3-1 CSI với hành động vậy tay qua dau (high arm wave)
3.3 Thiết bị vô tuyến khá lập trình (Software-defined Radio)
Khái niệm Ăn 34 3.3.2 Các thành phần của SDR và các tham số hiệu năng
Software Defined Radio (SDR) - thiết bị vô tuyến khả lập trình hay còn gọi là công nghệ vô tuyến định nghĩa bằng phần mềm SDR là một hệ thống liên lạc vô tuyến sử dụng các thành phần dựa trên phần mềm, trong đó chúng có thé cầu hình lại va dùng dé xử lý, chuyển đổi tín hiệu số Không giống như các hệ thống liên lạc vô tuyến truyền thống, các thiết bị vô tuyến này rất linh hoạt, và đây là công nghệ mới nổi được sử dụng trong việc kết nói thế giới không dây đang ngày càng phát triển hiện nay.
Một hệ thống SDR điển hình bao gồm một front-end dựa trên tín hiệu tương tự (Radio Front-end) và một back-end dựa trên tín hiệu số (Digital Back-end) Trong đó front-end xử lý các chức năng truyền (Tx) và nhận (Rx) của hệ thống liên lạc vô tuyến Các nền tảng SDR có băng thông cao nhất được thiết kế để hoạt động trên dài tần số rộng thường từ DC - 18GHz.
Các tín hiệu của một hệ thống SDR được front-end xử lý trong miền tương tự,còn back-end xử lý trong miền kỹ thuật số Bên cạnh đó còn có một bộ chuyển đổi tín hiệu analog sang digital (ADC) và một bộ chuyên đồi tín hiệu digital sang analog(DAC), mục đích của các bộ chuyên đổi dùng để chuyển giữa 2 miễn tín hiệu DigitalBack-end còn có FPGA (mạch tích hợp dùng cấu trúc mang phan tử logic có thé lập trình bởi người sử dụng), sử dụng các công logic có kha năng cấu hình cho các chức năng khác nhau FPGA này có thể xử lý tín hiệu số tích hop bao gồm điều chế, giải điều chế, chuyền đổi lên (upconversion) và chuyên đổi xuống (downconversion) Khả năng cấu hình lại của back-end cho phép các thuật toán và giao thức mới được triển khai dé dang và không cần sửa đổi phần cứng hiện có.
Tính linh hoạt của SDR là đặc điểm để chúng trở thành lựa chọn phù hợp trong thị trường, trong các lĩnh vực khác nhau Điều này bao gồm các ứng dụng quan trọng khác nhau như radar, kiểm tra và đo lường, chụp ảnh cộng hưởng từ (MRI), hệ thống vệ tỉnh định vị toàn cầu (GNSS), liên kết độ trễ thấp (low-latency links), phổ và giám sát
3.3.2 Các thành phần của SDR và các tham số hiệu năng
ADC lay mẫu tin hiệu liên tục va tao ra các mã (bit só) với độ phân giải bằng số bít của ADC Việc lấy mẫu được thực hiện ở tần số clock DAC chuyển đổi từ mã (bit số) về tín hiệu tương tự, ngược lại với những gì ADC làm Một số tham số chính của ADC bao gồm: Độ phân giải bit (resolution), SFDR, Signal-to-noise Ratio (SNR), thời gian tuần tự hóa (serialization time) và mức tiêu thụ hiện tại ADC là thành phần quan trọng của SDR, vì nó anh hưởng đáng ké đến phạm vi của hệ thống SDR tổng thể Các SDR hiệu suất cao nhất có ADC/DAC 16 bit để đảm bao cho SNR và SEDR cao.
3.3.2.2 Bộ loc Analog va Digital
B6 loc 1a thanh phan quan trong cua front-end để tách các chuỗi băng tần thấp, trung và cao của bo mạch Bộ lọc là thiết bị loại bỏ tạp âm và các thành phần tín hiệu hay tần số không mong muốn.
Một bộ lọc có thể là ca analog va digital Trong đó bộ lọc analog có thé loại bỏ bất kỳ thứ gì trên hay dưới một tần số nhất định, còn được gọi là tần số cắt (cutoff frequency).
Bộ lọc loại bỏ tín hiệu đưới một tần số cụ thể được gọi là bộ lọc thông cao vì nó
“vượt qua” các tần số cao hơn, trong khi bộ lọc loại bỏ tín hiệu trên một tần số cụ thể được gọi là bộ lọc thông thấp.
Bộ lọc kỹ thuật số đảm bảo tính chính xác hơn với các chức năng lọc, nhưng tín hiệu đầu vào phải là tín hiệu số Có hai loại bộ lọc digital chính, là bộ lọc đáp ứng xung hữu hạn số (FIR) và bộ lọc xung vô hạn số (IIR).
Các thông số quan trọng của bộ lọc là tần số cắt, dải dừng, đải phụ (sự khác biệt về dB giữa dai thông và đáp ứng dai dừng), active / passive, tuyến tính hoặc phi tuyến, cũng như các thông số khác.
Bộ tao xung nhịp gửi một xung liên tục va lặp lại đến các bo mạch khác nhau trong SDR Các xung được tạo bằng các sử dụng bộ dao động tinh thể có độ chính xác cao và được kiểm soát bằng lò tinh thé dé đảm bảo Ổn định nhiệt độ Các thiết bị nay rat quan trọng với SDR vi tat cả các chức năng của bo mạch số (ADC/DAC, xung nhịp cho FPGA) và các tín hiệu mang dữ liệu đã được điều chế đều được cung cấp một tham chiếu tạm thời, bằng cách sử dụng các tín hiệu xung.
Do đó, dạng sóng của xung phải sạch, rõ nét và phải xem xét đến các thông số quan trọng như độ rung, độ chính xác, độ én định, độ trôi, Tất cả các thông số này là các biện pháp cần thiết dé dam bảo các thành phần khác nhau có thể hiéu tín hiệu xung ở tần số và điện áp được tham chiếu chính xác.
Tín hiệu cần được tăng cường bởi một bộ khuếch đại khi biên độ của tín hiệu tan số vô tuyến (RF) quá thấp để được sử dụng ở nơi khác trong mạch, hoặc biên độ của tín hiệu phải khớp với dai đầu vào của bat kì thành phan nào như ADC/DAC, bộ trộn, hay nó cần được khuếch đại để SNR không bị suy giảm khi tín hiệu được định tuyến qua phân còn lại của mach,
Có nhiều loại bộ khuếch đại RF khác nhau: bộ khuếch đại công suất, độ lợi (VGA), tiếng ồn thấp (LNA),
Một số thông số quan trọng đối với bộ khuếch đại RF là công suất đầu ra, độ méo, độ lợi, đáp ứng tần số, độ nhạy, SNR, nhiễu xuyên âm và độ tuyến tính.
Bộ nguồn có thể xem là một máy biến áp với các mạch điều chỉnh và phân phối điện Nó phân điện cho các bo mạch hay các thành phần khác nhau trong SDR.
Thông số quan trọng trong bộ nguồn bao gồm: dải điện áp đầu vào, dai điện áp đầu ra, điện áp gợn sóng đầu ra, dòng điện, hiệu suất, nhiệt độ, kích thước và các biện pháp bảo vệ cần thiết,
Ứng dụng . -22222cc222EEcEE2E11 22211122 re 37 3.3.4 Thiết bị sử dụng trong khóa luận -¿2cc+2czszcesrr 39 3.4 Học máy và học sâu (Machine learning and deep learning) 40 3.4.1 Trí tuệ nhân tạO - - ôST 41
Các hệ thống SDR có thể phù hợp với rất nhiều loại thị trường, bao gồm như radar, thử nghiệm và đo lường, y tế, các giao dịch, giám sát phổ, GNSS,
37 © Kiểm tra và đo lường:
Tính linh hoạt và đặc tính hiệu năng của SDR khiến đây là lựa chọn rất tốt cho các ứng dụng kiểm tra và đo lường (T&M) Đầu tiên là dựa vào dải tan số rộng mà SDR hỗ trợ các thiết bị hoạt động ở HF, VHF, UHF, hoặc bất kỳ dai tan nào nằm trong dai tần của SDR được kiểm tra Với tính linh hoạt, SDR có thé cau hình lại dé chạy một chức năng T&M hoàn toàn khác mà không cần sửa đổi phần cứng. e Radar:
Công nghệ radar được sử dụng trong một loạt các ứng dụng quan trong bao gồm việc kiểm soát không lưu, dự báo thời tiết, điều hướng Các đặc tính hiệu năng của SDR là hoàn toàn lý tưởng cho việc sử dụng trong các ứng dụng radar đòi hỏi khất khe hiện nay FPGA được sử dụng trong các hệ thống SDR có khả năng tạo ra nhiều loại xung khác nhau phù hợp đề sử dụng trong các hệ thống radar hiện đại SDR cung cấp nhiều kênh, nên có thể sử dụng một nền tảng cho nhiều ứng dụng radar Khả năng này làm cho các SDR đặc biệt thích hợp cho các ứng dụng radar có liên quan đến nhiều chuỗi tín hiệu. e Giám sát và ghi phổ:
Nhiễu có thé làm suy giảm đáng ké chất lượng dịch vụ và các cơ quan quan lý cần giám sát các nguồn gây nhiễu và sử dụng bất hợp pháp Sự tăng trưởng nhanh chóng về số lượng người dùng tần số đã làm cho việc giám sát phô trở nên khó khăn hơn bao giờ hết Dé theo dõi phé bị tắc nghẽn ngày nay, cần phải có thiết bị giám sát phổ tiên tiến với khả năng ghi Các nền tảng SDR thông lượng cao nhất với khả năng MIMO (multiple input multiple output) được thiết kế để đáp ứng nhu cầu của các nhiệm vụ giám sát phổ khó khăn nhất, vì chúng có khả năng thu băng thông rat rộng ngay lập tức cũng như quét các băng thông rất lớn với tốc độ cao. © Thiết bị y tế:
Số lượng thiết bị y tế dựa trên công nghệ RF đang tăng lên mỗi ngày Các thiết bị này bao gồm hệ thống chụp ảnh cộng hưởng từ (MRI), hệ thống hình ảnh vi sóng và các thiết bị y tế có thé cấy ghép IoT Thiết kế và tạo mẫu các thiết bị y tế dựa trên RF bao gồm rất nhiều công việc thử nghiệm và mô phỏng Khả năng cau hình lại của các nên tảng SDR cho phép các kỹ sư thực hiện các thử nghiệm trên các giao thức mới nhanh hon và với chi phí thấp hơn Cac FPGA được sử dụng trong hệ thong SDR có khả năng tạo ra các dang sóng khác nhau Điều này làm cho SDR trở thành lựa chọn phù hợp cho các ứng dụng y tế có nhu cầu về các dạng sóng (waveforms) e Thi trường GNSS:
Các tập vệ tinh như GALILEO, GLONASS, BeiDou hoạt động ở các tần số khác nhau, với khả năng điều chỉnh các băng tần của SDR mà không cần sửa đổi nào về phan cứng là lựa chọn thích hợp cho việc sử dụng cho các ứng dụng của hệ thống định vị toàn cầu (GPS) hay hệ thống vệ tỉnh định vị toàn cầu (GNSS) Với SDR, thiết bị có thể sử dụng các băng tần LI, L2, L5 tùy thuộc vào tần suất hoạt động của tập vệ tỉnh Ngoài ra SDR cung cấp nhiều kênh truyền và nhận, người dùng có thé điều chỉnh đồng thời tất cả băng tần bằng một thiết bị duy nhất.
3.3.4 Thiết bị sử dụng trong khóa luận
Khóa luận sử dụng thiết bị USRP B200 Mini, bao gồm các thông số kỹ thuật được mô tả ở bảng 3.x
Tính năng Thông số kỹ thuật Dải tần số 70 MHz - 6 GHz
Băng thông tức thời 56 MHz
Chế độ truyền Song công toàn phân (Full Duplex)
Khả năng kiểm soát và gỡ lỗi GPIO và JTAG
FPGA Xilinx Spartan-6 XC6SLX75
Bang 3-2 Thông số kỹ thuật của thiết bi USRP B200 Mini
Hinh 3-4 Thiét bi USRP B200 Mini
Ngoai thiết bi USRP, việc thực hiện thu phát tín hiệu sử dụng anten Vert 2450 hỗ trợ băng tần kép 2.4 — 2.8 GHz và 4.9 - 5.9 GHz, độ lợi 3dBi.
3.4 Học máy và hoc sâu (Machine learning and deep learning)
Khai niệm trí tuệ nhân tạo, hoc may và học sâu có một mối quan hệ mật thiết với nhau và thường bị nhằm lẫn là một, thực tế bản thân chúng đều ám chỉ những khái niệm riêng biệt Để giúp cho việc hình dung cụ thế hơn, có thể xem học sâu là một tập con của học máy, trí tuệ nhân tạo là một tập cha của học máy và học sâu.
Hình 3-6 Mô hình twong quan giữa trí tuệ nhân tạo, học máy và học sâu
Trí tuệ nhân tạo (Artificial Intelligence — AI) là thuật ngữ phổ biến đề cập đến việc mô phỏng quá trình nghĩ và học của con người trên máy móc, trong đó bao gồm hệ thống máy tính Quá trình bao học gồm việc thu thập dữ liệu, lập luận và tự sửa lỗi [10] Năm 1997, siêu máy tính DeepBlue của IBM (sau nhiều lần thất bại) đã đánh bại siêu đại kiện tướng cờ vua Garry Kasparov — người được mệnh danh là một trong những kỳ thủ cờ vua vĩ đại nhất mọi thời đại va tạo nên bước ngoặt lịch sử [11] Từ đó, đánh bại một máy tính ở bộ môn cờ vua trở thành một thử thách khó mà con người chưa thể vượt qua Ngày nay, ứng dụng của trí tuệ nhân tạo xuất hiện trong hầu hết tất cả các ngành công nghiệp Khó phủ nhận rằng sự hiện diện to lớn của AI trong đời sống của con người, từ việc mua sản phẩm trên Amazon hoặc đọc các tin tức trên
Google, nghe nhạc hoặc xem phim trên Netflix Trí tuệ nhân tạo đã và đang len lỏi vào từng mảng của đời sống thường ngày và cải thiện trải nghiệm của con người một cách tốt hơn Với trí tuệ nhân tạo, con người có thể dựng nên một tương lai khi máy móc có thé giúp họ hiện thức hoá những điều mà trước nay tưởng chừng như không thể thực hiện.
Một trong những lĩnh vực của trí tuệ nhân tạo bao gồm học máy, thuật ngữ học máy dé cập đến một tập hợp các phương pháp cung cấp cho máy tính “khả năng ọc mà không cần được lập trình một cách rõ ràng” [12] Học máy tập trung vào việc dùng dir liệu và các thuật toán để học như con người, từ đó dần cải thiện độ chính xác của mình Dựa trên phương pháp tiếp cận, có thể chia học máy thành bốn nhóm cơ bản: supervised learning; unsupervised learning; semi-supervised learning; reinforcement learning Sự khác biệt giữa các phương pháp tiếp cận học máy này nằm ở các thuật toán được dùng, dir liệu đầu vào và các vấn đề mà chúng giải quyết Các phương pháp được mô tả như sau:
Học có giám sát: là thuật toán sử dụng các cặp (input, outcome) của một dữ liệu mới đã biết từ trước để dự đoán đầu ra Cặp dữ liệu này được gọi là đữ liệu và nhãn (data, label) Học có giám sát được chia làm hai nhóm nhỏ là phân lớp
(Classification) và hồi quy (Regression). s Phân lớp: được sử dụng khi dau ra mong muốn là một tập hữu hạn và rời rac. Một ví dụ cụ thể trong bài toán phát hiện hành động con người, số lượng các lớp (class) có thé là: nhị phân (tức là chỉ cần phân loại tất cả các hành vi con người thành có hành động hoặc không có hành động) và đa lớp (tức là ngoài việc phân loại hành động bao gồm có hay không xảy ra hành động thì sau đó các hành động xảy ra còn phải được phân loại cụ thể như đứng lên, chạy, đi, ngồi xuống, wee s Hồi quy: được sử dung khi đầu ra mong muốn là một dải giá trị liên tục Vi dụ trong bai toán tính giá trị xác suất, giả sử bai toán cần giải quyết là điểm dang tin cậy của người dùng trong việc cho vay tin dụng Điểm tin cậy đại diện cho khả năng người đó có thể chỉ trả cho khoản vay của họ với khoảng giá trị 0 đến 1. Điều đó thê hiện xác suất một người sẽ trả các khoản vay của họ.
Học không giám sát: là thuật toán dựa vào cấu trúc của đữ liệu đầu vào để khai phá những quy luật ẩn bên trong các tập di liệu đầu vào Các quy luật như phân nhóm hay giảm số chiều dữ liệu nhằm cải thiện khả năng tính toán Thuật toán này chỉ biết được dữ liệu đầu vào, không có nhãn và dữ liệu dau ra Học không giám sát được chia làm hai nhóm nhỏ là phân nhóm (Clustering) và kết hợp (Association).
+ Phân nhóm: được sử dụng trong mỗi nhóm, khi muốn phân toàn bộ dữ liệu bất kỳ thành các nhóm nhỏ dựa trên sự kiện liên quan giữa các dữ liệu, chẳng hạn như phân nhóm khách hàng dựa vào hành vi của họ khi mua hàng.
- Kết hợp: được sử dụng khi muốn khai phá các quy luật của cấu trúc đữ liệu, chẳng hạn như người mua món hang A cũng có xu hướng mua món hàng B.
Mô hình học sâu đề xuất cho phân loại hành động
Theo nghiên cứu khảo sát [13] về áp dụng học sâu cho các cảm biến về con người dựa trên sóng vô tuyến, các tác giả kết luận việc áp dụng phương pháp học sâu hiệu quả hơn so với học máy thông thường Bên cạnh đó, bộ đữ liệu WiAR [1] và nghiên cứu của Fei Wang trong [18] khi phân loại các đặc trưng từ CSI cũng cho kết quả với các mô hình học sâu đạt độ chính xác cao hơn so với việc sử dụng các mô hình học máy Dựa vào các kết quả phân loại qua các công trình nghiên cứu tham khảo, hai mô hình học sâu được đề xuất trong khóa luận này bao gồm mô hình mạng nơ-ron tích chập (Convolutional Neural Network - CNN) - và mô hình MLP (Multi- layer Perceptron).
Convolutional Neural Network (CNN) là một loại mang neural được dùng dé phân loại va xử ly hình ảnh, tín hiệu hay các dữ loại dữ liệu khác CNN sử dung các lớp tích chập để tìm các đặc trưng của hình ảnh và các lớp pooling đề giảm kích thước của đầu vào Các dữ liệu đầu vào được truyền qua các lớp fully-connected để đầu ra cuôi cùng được tính toán.
Lớp tích chập (convolutional layer): Là lớp cốt lõi và là nơi thực hiện phần lớn quá trình học va tính toán Lớp này sử dụng bộ loc (filter) để tìm các đặc trưng của dữ liệu, bộ lọc này di chuyển qua từng vùng của dữ liệu và tính toán tích chập tương ứng giữa các giá trị trong dữ liệu gốc với các giá trị trong bộ lọc.
Lớp pooling: Sử dụng các hàm giảm kích thước như max-pooling — lấy giá trị cao nhất của vùng tiếp nhận - hoặc average-pooling — lấy giá trị trung bình của vùng tiếp nhận - để giảm kích thước chiều không gian, số lượng tham số Mục đích của lớp pooling làm giảm thiểu sự phức tạp và nâng cao hiệu quả của mô hình.
Lớp fully-connected: Chuyên kết quả đầu ra trước đó từ các lớp tích chập và lớp pooling thành một véc-tơ Lớp này thực hiện nhiệm vụ phân loại dựa trên các đặc trưng được trích xuất thông qua các lớp và các bộ lọc khác nhau trước đó.
Multi-layer Perceptron (MLP) là mô hình gồm tập hợp nhiều perceptron thành nhiều nhóm trong đó mỗi nhóm là một lớp Các lớp trong MLP bao gồm một hay nhiều perceptron, và mô hình MLP thông thường sẽ bao gồm một lớp đầu vào, một lớp đầu ra và một hay nhiều lớp ân Một perceptron bao gồm nhiều đầu vào và cho ra một kết quả duy nhất, các đầu vào được điều phói đến các perceptron khác bằng các trọng số tương ứng.
Hình 4-16 Mô ta một perceptron result
Hình 4-17 Sơ do minh họa mô hình MLP
Input layer: Lớp ban đầu của mạng, dữ liệu đầu vào sẽ được sử dụng dé mô hình tiến hành các công đoạn tiếp theo của một chương trình.
Hidden layer: mạng MLP yêu cau cần phải có tối thiểu một lớp ẩn, các lớp an xử lý thông tin nhận được từ lớp đầu vào Quá trình xử lý này ở dạng tính toán và không có hạn chế hay ràng buộc về số lớp an này, tuy nhiên một MLP thường có một số lớp ẩn nhỏ không quá lớn.
Output layer: đây là lớp cuối cùng, lớp đầu ra chịu trách nhiệm tạo ra kết quả. Kết quả là đầu ra từ các tính toán được áp dụng cho dữ liệu thông qua mạng neural. Ở lớp đầu vào, các perceptron nhận tín hiệu và xử lý bằng cách tính tổng trọng số và gửi tới hàm truyền, sau đó cho ra kết quả truyền đến các perceptron thuộc lớp an thứ nhất, tại đây quá trình xử lý lại được thực hiện và kết quả sau đó truyền đến các perceptron ở lớp ấn thứ hai Quá trình học sẽ tiếp tục đến khi ra kết quả cuối cùng.
Chuong5 THỰC NGHIEM VÀ ĐÁNH GIA KET QUA Tom tat chuong
Chương nay mô ta môi trường thực nghiệm va quy trình thực hiện xây dựng bộ dữ liệu, tiếp theo là huấn luyện mô hình, đánh giá kết quả phân loại hành động va xây dựng mô hình nhận diện hành động.
Triển khai và kết quả thực nghiệm 2 22+22+ze+£2zxzeerrrrez 64 1 Kết quả phân loại hành động 22 z++222++z+czvzeeerl 66
Trong quá trình đưa dữ liệu vào vô hình học sâu đề tiến hành phân loại hành động, bộ dữ liệu đầu vào được chia thành các trường hợp khác nhau dé so sánh Việc so sánh này bao gồm: ¢ So sánh giữa bộ dữ liệu thô và bộ dữ liệu sau khi đưa qua phương pháp tiền xử lý. e So sánh giữa bộ dữ liệu không có hành động đứng yên và thêm vào hành động đứng yên.
Trong hầu hết các công trình nghiên cứu đã tìm hiéu, các nhà nghiên cứu chi đề xuất phương pháp tiền xử lý dữ liệu Sau đó, họ đưa ra kết quả đánh giá dựa trên các mô hình phân loại hành động dành cho bộ dữ liệu đã qua tiền xử lý Trong thực nghiệm này, việc so sánh giữa bộ dữ liệu thô và bộ dữ liệu khi qua đưa thuật toán tiền xử lý dữ liệu sẽ cho thấy được hiệu quả của việc xử lý dit liệu so với dữ liệu gốc cải thiện như thế nào Góp phan vào công cuộc nghiên cứu đối với phương pháp nhận diện hành động khi dùng CSI làm dữ liệu đầu vào Kế tiếp, việc thêm vào dữ liệu với loại hành động đứng yên đê phát triển bài toán theo hướng phát hiện hành động kết hợp phân loại hành động Điều này sẽ là tiền đề giúp ích cho việc xây dựng hệ thông nhận diện hành động Trong trường hợp người thực hiện hành động không làm gì khi đứng giữa thiết bị thu phát, kết quả mong đợi là không có hành động.
Các mô hình học sâu được xây dựng bằng thư viện Tensorflow, trong đó các tham số và siêu tham số được chọn thông qua những lần thử nghiệm trên bộ dữ liệu.
Từ đó, bộ tham số phù hợp nhất được chọn ra dé bộ dit liệu UIT_Flextension đạt được kết quả chính xác cao nhất khi đưa vào mô hình Thử nghiệm ban đầu với các tham số sử dụng được trình bày ở bảng 5.x:
Loại tham số/ siêu tham số Mô hình CNN Mô hình MLP
Bảng 5-1 Các tham s6/ siêu tham số sử dụng trong mô hình CNN và MLP
Kết quả đánh giá của mô hình dựa trên các tiêu chí: Accuracy, Recall,
Precision và Fl-score Các tiêu chi dựa vào thuộc tính của Confusion matrix — ma trận nhằm lẫn dùng đề hình dung kết quả đánh giá của mô hình — được mô tả ở bảng
Ma tran nhằm lẫn Giá trị dự đoán
„| Positive TP FN Giá trị thực tê
Trong ngữ cảnh của khóa luận, giả sử
Bảng 5-2 Ma trận nham lẫn với các thuộc tính positive là loại hành động A và negative là loại hành động B (Phân tích tương tự đối với các hành động còn lại). e True positive (TP): số lượng mẫu đ lược dự đoán đúng là hành động A. e False positive (FP): số lượng mẫu được dự đoán sai là hành động A nhưng thực chất là hành động B. e True negative (TN): số lượng mẫu được dự đoán đúng là hành động B. e False negative (FN): sé luong mẫu được dự đoán sai là hành động B nhưng
.thực chất là hành động A.
Bên cạnh đó, định nghĩa toán học của các tiêu chí đánh giá được diễn tả như sau:
TP +TN TP+FP+TN+FN
Precision X Recall Precision + Recall F1 — score = 2 x
5.1.1 Kết quả phân loại hành động
Khi tiến hành đánh giá dữ liệu, các dữ liệu được gan nhãn bao gồm: A; 8; C;
D; Z, tương ứng với các hành động: đưa tay lên; vung tay sang trai; vẽ đường chéo Z; vẽ đường tròn; đứng yên.
5.1.1.1 Bộ dữ liệu với bốn hành động e Mô hình CNN
Hinh 5-1 Két quả ma trận nhâm lẫn của bộ dữ liệu thô với bốn hành động trong
Hình 5-2 Dé thi ham mắt mát của bộ dữ liệu thô với bén hành động trong CNN theo từng epoch
- Bộ dữ liệu đã qua tiền xử ly
Hình 5-3 Kết quả ma trận nhằm lẫn của bộ dữ liệu qua tiền xử lý với bốn hành động trong CNN
Hình 5-4 Dé thị ham mắt mát của bộ dữ liệu qua tiền xử lý với bốn hành động trong CNN theo từng epoch
Kết quả đánh giá của mô hình CNN đối với bộ dữ liệu thô đạt 93.12%, sau khi đưa bộ dữ liệu qua tiền xử lý, độ chính xác đã tăng đến 99.06% Dựa vào đồ thị hàm mat mát của bộ dữ liệu, độ mắt mát của tập validation ở bộ dữ liệu thô không thay đổi nhiều kể từ sau epoch thứ 60 Đối với bộ dữ liệu khi qua tiền xử lý, độ mat mát giảm về cận 0 từ epoch thứ 20, mụ hỡnh ở trạng thỏi good fùt và cú độ tin cậy cao đề dé xuất vào xây dựng hệ thống nhận diện hành động với bộ dit liệu trên. e Mô hình MLP
Hinh 5-5 Két quả ma trận nhâm lẫn cua bộ dữ liệu thô với bốn hành động trong
Hình 5-6 Đồ thi hàm mắt mát của bộ dữ liệu thô với bốn hành động trong MLP theo từng epoch
- Bộ dữ liệu đã qua tiền xử ly
Hình 5-7 Kết quả ma trận nhằm lẫn của bộ dữ liệu đã qua tién xử lý với bốn hành động trong MLP
Hình 5-8 Đô thị ham mat mát của bộ dữ liệu đã qua tiên xử lý với bốn hành động trong MLP theo từng epoch
Với thử nghiệm trên 100 epoch, kết quả khi đánh giá của mô hình MLP đối với bộ dữ liệu thô chỉ đạt được 60.94% Sau khi đưa dữ liệu qua các thuật toán tiền xử lý, kết quả đánh giá từ mô hình đạt độ chính xác cao hơn hắn so với bộ đữ liệu thô khi đạt kết quả 93.44% Đồ thị hàm mat mát cho thấy giá trị độ mất mát vẫn đang trên độ giảm dần và có thể tiếp tục đánh giá với số lượng epoch lớn hơn.
5.1.1.2 Bộ dữ liệu với năm hành động Đánh giá kết quả bộ đữ liệu sau khi thêm vào hành động đứng yên e Mô hình CNN
Hình 5-9 Kết quả ma trận nhằm lẫn của bộ dữ liệu thô với năm hành động trong
Hình 5-10 Dé thị hàm mắt mát cua bộ dit liệu thô với năm hành động trong CNN theo từng epoch
- Bộ dữ liệu đã qua tiền xử ly
Hinh 5-11 Két quả ma trận nhâm lẫn của bộ dữ liệu qua tiền xử lý với năm hành động trong CNN
Hình 5-12 Dé thi hàm mắt mát của bộ dữ liệu qua tién xử lý với nam hành động trong CNN theo từng epoch
Khi thêm vào hành động đứng yên, kết quả đánh giá của mô hình CNN đối với bộ đữ liệu thô đạt được 97.57% Kết quả đánh giá từ mô hình đạt độ chính xác sau khi đưa bộ dữ liệu qua thuật toán tiền xử lý đạt 99.19% Sau nhiều lần thử nghiệm với việc huấn luyện cho thay mô hình bắt đầu ở trạng thái overfitting khoảng epoch 20 và đến epoch 30 thì độ mat mát không thay đổi Dé đánh giá bộ dữ liệu, giá trị tốt nhất nên sử dụng là 20 epoch. e Mô hình MLP
Hinh 5-13 Két qua ma tran nhâm lẫn của bộ dữ liệu thô với năm hành động trong
Hình 5-14 Đồ thị hàm mắt mát của bộ dữ liệu thô với năm hành động trong MLP theo từng epoch
- Bộ dữ liệu đã qua tiền xử ly
Hình 5-15 Kết quả ma trận nhằm lẫn của bộ dữ liệu đã qua tiền xử lý với năm hành động trong MLP
Hình 5-16 Đ thị hàm mắt mát của bộ dữ liệu đã qua tiền xử lý với năm hành động trong MLP theo từng epoch Đối với mô hình MLP, việc cho thêm hành động đứng yên có kết quả đánh giá trên bộ dữ liệu thô là 59.73% Sau khi đưa bộ dữ liệu qua tiền xử lý, kết quả đánh giá của mô hình MLP cũng đã tăng đến 95.41% Dựa vào đồ thị hàm mất mát của bộ dữ liệu, độ mat mát vẫn có xu hướng tiếp tục giảm và có thể đánh giá với số lượng epoch lớn hơn đề đạt độ chính xác tốt hơn.
Tổng thé, bang 5.x mô tả các tiêu chí đánh giá của hai mô hình học sâu CNN và MLP cho các bộ đữ liệu như sau:
Bộ dữ liệu Mô Accuracy Precision Recall Fl-score hình Bon hành động CNN 93.12% 0.9325 0.93 0.9312
(thd) MLP 59.37% 0.6 0.656 0.6267 Nam hanh CNN 99.19% 0.994 0.994 0.994 độngtiền xử lý) [ MỊp | 95412 | 0956 | 0954 | 03955
Bảng 5-3 Kết quả đánh giá dựa trên các tiêu chí cho các bộ đữ liệu trong các trường hợp đôi với mô hình học sâu CNN và MLP
Xây dựng hệ thống phân loại hành động dựa trên thời gian thực
Trong khóa luận này, hệ thống phân loại hành động được xây dựng dựa trên bộ dữ liệu gồm bốn hành động Bên cạnh đó dựa trên độ chính xác 99% và kết quả hàm mất mát của bộ dữ liệu đã đánh giá ở trên, mô hình CNN là mô hình được chọn làm mô hình để phân loại hành động với bộ dữ liệu UJT_ Flextension.
Dataset Mô hình học sâu
Thu mục Drive eo Bộ thu phát tín Khôi sensor
Khôi training hiệu Wi-Fi và display
CSI hành động | Máy client |
Kết qua dự đoán loại hành động
Hình 5-17 Sơ đô hệ thông phân loại hành động dựa trên thời gian thực
Hệ thống được chia thành ba khối xử lý chính: e Khối training: Tại đây bộ dữ liệu bao gồm bốn hành động sẽ được đưa qua tiền xử lý sau đó đưa vào mô hình học sâu để huấn luyện, mô hình được chọn như đã trình bày đó là CNN, kết quả mô hình sau khi đào tạo sẽ được lưu vào thư mục Drive. ¢ Khối server: Khối này xây dựng một api local với tensorflow model server, các kết nối với máy tính bên ngoài môi trường colab sẽ thông qua Ngrok và được public ra ngoài internet Khối server bao gồm việc nhận dữ liệu từ hệ
75 thống local khi có người thực hiện hành động và yêu cầu xử lý qua phương thức HTTP POST, sau đó server gọi hàm dự đoán để dự đoán kết quả loại hành động. ¢ Khối sensor và display: Khối này bao gồm quá trình thực hiện hành động với bộ thu phát tín hiệu Wi-Ei sử dụng thiết bị USRP và GNURadio đã trình bày ở chương 4 Các kết quả hành động sẽ được đóng gói thành một ma trận dữ liệu kích thước 1000x52, và sẽ được gửi đến server sau một khoảng thời gian kèm phương thức HTTP request Tại server sẽ xử lý phân loại hành động với mô hình đã được huấn luyện (CNN) Kết quả trả về dự đoán loại hành động tương ứng (đưa tay lên, vung tay sang trái, vẽ đường chéo Z, vẽ đường tròn) và trả về máy client Trong demo này, ở phía máy thu đóng vai trò là client hiển thị kết quả nhận được từ server lên terminal.
Hình 5.x được cắt từ video demo thực nghiệm hệ thống, khi thực hiện hành
Hình 5-18 Hình ảnh trích từ video demo hệ thống phân loại hành động dựa trên thời gian thực
Hình 5.x mô tả kết quả được server trả về và hiển thị trên terminal, bao gồm tên hành động được dự đoán là giơ tay lên thắng tương ứng với hành động đã thực hiện là đưa tay lên Vì các điều kiện đường truyền kết nối tại thời điểm quay demo không tốt do đứt cáp quang và tốc độ Wi-Fi khá chậm, nên thời gian trễ khi trả về hành động là 3.6s.
Chương 6 KET LUẬN VÀ HƯỚNG PHÁT TRIÊN
Thông qua khóa luận về nghiên cứu “phương pháp nhận diện hành động con người dựa trên tín hiệu Wi-Fi và các mô hình học máy”, các kết quả thu được bao gồm:
Xây dựng thành công bộ dữ liệu UIT_Flextension với các loại hành động: đưa tay lên, vung tay sang trái, vẽ đường chéo Z và vẽ đường tròn. Ứng dụng phần mềm GNURadio kết hợp với các thiết bị vô tuyến khả lập trình để tạo nên bộ thu phát tín hiệu Wi-Fi. Đề xuất thuật toán tiền xử lý tín hiệu, thực nghiệm dé so sánh kết quả đánh giá mô hình trước va sau khi 4p dụng thuật toán tiền xử lý — điều mà hau hết các công trình nghiên cứu đều không chú trọng và trình bày đến.
Tim hiéu các nghiên cứu và nhận thấy sử dụng các mô hình học sâu tốt hon so với mô hình học máy Từ đó đánh giá phân loại hành động sử dụng bộ dữ liệu thu được với hai mô hình học sâu là CNN và MLP.
Xây dựng hệ thống phân loại hành động và trả kết quả về client dựa trên thời gian thực.
Thuận lợi và khó khăn
Các thiết bị URSP có sẵn có thể tạo thành bộ thu phát tín hiệu Wi-Fi để thuận tiện cho việc nghiên cứu và thay đổi tham số dễ dàng.
Lựa chọn được địa điểm thu dữ liệu không bị tác động quá nhiều bởi yếu tố môi trường.
Nhà trường và thầy cô tạo điều kiện tốt nhất trong quá trình thực hiện đề tài, thông qua truyền tải kiến thức và hỗ trợ về các thiết bị dé thực nghiệm.
Khó khăn e Phuong pháp nhận diện hành động con người dựa trên sóng vô tuyến là một hướng nghiên cứu mới Không có nhiều tài liệu hay các bài báo để nghiên cứu và tham khảo, trong đó bao gồm tài liệu về xây dựng bộ thu phát tín hiệu
Wi-Fi sử dụng GNURadio. e_ Hạn chế về thiết bị khi chỉ được sử dụng ở trường, và hạn chế về số lượng thiết bị do các lớp chuyên ngành khác cũng sử dụng SDR. ¢ Lượng kiến thức mới và rộng nên mat thời gian ban đầu dé tìm hiểu và học hỏi ¢ Sự cố cáp quang trước và sau Tết dẫn đến việc quay thực nghiệm cho hệ thống phân loại hành động dựa trên thời gian thực gặp nhiều khó khăn. Đường truyền thường xuyên kém và mat kết nói anh hưởng đến quả.
Bên cạnh kết quả đạt được, dé tài còn các hạn chế do giới hạn về thời gian và khối lượng kiến thức lớn Tuy nhiên, phương pháp dựa trên sóng vô tuyến vẫn là một hướng nghiên cứu mới, có rất nhiều tiềm năng đề tiếp tục phát triển sau này Các hướng phát triển dành cho dé tài dé tối ưu hóa và đóng góp vào lĩnh vực nhận diện hành động như: e Mởrộng bộ dữ liệu với nhiều loại hành động và nhiều mẫu hơn so với bộ dữ liệu hiện tại. e = Nghiên cứu và đề xuất thêm các thuật toán tiền xử lý tín hiệu dé cải thiện dữ liệu nhằm đạt hiệu quả cao khi đưa vào các mô hình phân loại hành động. e Nghiên cứu và xây dựng thêm các mô hình học sâu khác để thực hiện đánh giá phân loại hành động, từ đó rút ra các kinh nghiệm trong việc lựa chọn mô hình, lựa chọn các tham số/ siêu tham số đề đạt kết quả tốt nhất. e Xây dung framework đánh giá va phân loại hành động có thé áp dụng cho nhiều bộ dữ liệu khác nhau. e Phat triển bài toán kết hợp giữa phát hiện hành động và nhận diện hành động cho các trường hợp nhận biết hành động có đang xảy ra hay không Ngoài ra còn có thể kết hợp thêm bài toán “Localization” dé đa dạng hóa bộ dữ liệu và nghiên cứu sự khác nhau của đữ liệu đôi với các vị trí khác nhau.
TÀI LIỆU THAM KHẢO Tài liệu tiếng Anh
1 L Guo et al., "Wiar: A Public Dataset for Wifi-Based Activity Recognition,” in IEEE Access, vol 7, pp 154935-154945, 2019, doi:
2 Han, Chunmei & Wu, Kaishun & Wang, Yuxi & Ni, Lionel (2014) WiFall: Device-Free Fall Detection by Wireless Networks Proceedings - IEEE INFOCOM.
3 Monitoring Vital Signs and Postures During Sleep Using WiFi Signals.
4 X Liu, J Cao, S Tang and J Wen, "Wi-Sleep: Contactless Sleep Monitoring via WiFi Signals," 2014 IEEE Real-Time Systems Symposium, Rome, Italy, 2014, pp 346-355, doi: 10.1109/RTSS.2014.30.
5 S Arshad et al., "Wi-chase: A WiFi based human activity recognition system for sensorless environments," 2017 IEEE 18th International Symposium on A World of Wireless, Mobile and Multimedia Networks (WoWMoM), Macau, China, 2017, pp 1-6, doi: 10.1109/WoWMoM.2017.79743 15.
6] J Huang, B Liu, H Jin and Z Liu, "WiAnti: an Anti-Interference Activity Recognition System Based on WiFi CSI," 2018 IEEE International Conference on Internet of Things (iThings) and IEEE Green Computing and Communications (GreenCom) and IEEE Cyber, Physical and Social Computing (CPSCom) and IEEE Smart Data (SmartData), Halifax, NS, Canada, 2018, pp 58-65, doi: 10.1109/Cybermatics_2018.2018.00044.
[7] Jianfei Yang, Xinyan Chen, Dazhuo Wang, Han Zou, Chris Xiaoxuan Lu,Sumei Sun, Fellow, IEEE and Lihua Xie, Fellow, IEEE (7/2022), “Deep Learning and Its Applications to WiFi Human Sensing: A Benchmark and A Tutorial”
8] Hussain, Z., Sheng, Q.Z., & Zhang, W (2019) Different Approaches for Human Activity Recognition: A Survey ArXiv, abs/1906.05074.
9] — Vangie Beal, Wi-Fi, available: https://www.webopedia.com/definitions/wifi/
[II] "Deep Blue versus Garry Kasparov," [Online] Available: ttps://en.wikipedia.org/wiki/Deep_Blue_versus_Garry Kasparov.
12] "Machine Learning," Wikipedia, [Online] Available: https://en.wikipedia.org/wiki/Machine_ learning
13] Isura Nirmal, Abdelwahed Khamis, Mahbub Hassan, Wen Hu, Xiaoqing Zhu
(2021), “Deep Learning for Radio-based Human Sensing: Recent Advances and Future Directions”
14] Tektronix, Wi-Fi: Overview of the 802.11 Physical Layer and Transmitter Measurements (book).
15] Bastian Bloessl, Michele Segata, Christoph Sommer, and Falko Dressler.
