人工智能物联网（AIoT）将人工智能（AI）与物联网（IoT）融为一体，结合了这两种技术的优势。与传统物联网系统不同，传统物联网系统中的设备收集数据并将其传输到远程服务器进行处理，而AIoT设备能够在本地实时处理数据，从而使其能够当场做出智能决策。这一功能已在智能制造、智能家居安防和医疗保健监测等领域得到广泛应用。

在智能家居应用中，准确的人体活动识别至关重要，它使AIoT系统能够检测到烹饪或锻炼等活动。通过分析这些数据，系统可以自动调节照明、播放音乐或优化能源使用，从而增强使用的便捷性和效率。在各种运动识别方法中，基于WiFi的检测因其普及率高、成本效益高以及能够保护用户隐私而脱颖而出。

AIoT领域取得突破：MSF-Net框架

近日，在一篇新颖的研究文章中，韩国仁川国立大学信息技术学院Gwanggil Jeon教授领导的一组研究人员提出了一种名为多光谱图融合网络（MSF-Net）的新型AIoT框架，用于基于WiFi的人体活动识别。他们的研究成果已于近日发表在《IEEE物联网期刊》上。

全教授（Prof. Jeon）解释了他们进行这项研究的动机：“作为AIoT的一个典型应用，基于WiFi的人体行为识别在智能家居中越来越受欢迎。然而，由于环境干扰，基于WiFi的识别往往性能不稳定。我们的目标就是解决这个问题。”

MSF-Net：一种用于增强活动识别的深度学习框架

基于这一观点，研究人员开发了强大的深度学习框架 MSF-Net，该框架可通过信道状态信息（Channel State Information，CSI）实现粗粒度和细粒度的活动识别。MSF-Net 包含三个主要部分：由短时傅里叶变换和离散小波变换组成的双流结构、一个转换器以及一个基于注意力的融合分支。双流结构可精确定位 CSI 中的异常信息，转换器则能够高效地从数据中提取高级特征。最后，融合分支促进了跨模型融合。

研究人员进行了实验以验证其框架的性能，发现该框架在SignFi、Widar3.0、UT-HAR和NTU-HAR数据集上分别取得了91.82%、69.76%、85.91%和75.66%的显著Cohen’s Kappa分数。这些数值表明，与目前最先进的基于WiFi数据的粗粒度与细粒度活动识别技术相比，MSF-Net的性能更为优越。

“与现有技术相比，多模态频率融合技术显著提高了准确性和效率，增加了实际应用的可能性。这项研究可用于智能家居、康复医学和老年护理等多个领域。例如，它可以通过分析用户的动作来预防跌倒，并通过建立非面对面的健康监测系统来提高生活质量，”Jeon教授总结道。

总体而言，本文提出的利用WiFi进行活动识别是物联网与人工智能的融合技术，有望通过日常便利性和安全性极大地改善人们的生活！

参考文献：陈俊欣、徐旭、王婷婷、权光吉（Gwanggil Jeon）和大卫·卡马乔（David Camacho）于2024年5月13日在IEEE物联网期刊上发表的《一种基于多模态频率融合的AIoT框架，用于WiFi的粗粒度与细粒度活动识别》 数字对象唯一标识符（DOI）：10.1109/JIOT.2024.3400773