Dieses Whitepaper bewertet Convolutional-Neural-Network-Architekturen, die auf CSI-Amplitudenspektrogrammen für die geräteloses Klassifikation menschlicher Aktivitäten trainiert wurden, und vergleicht Genauigkeit und Latenz mit klassischen Machine-Learning-Baselines.
Beschreibt die Kurzzeit-Fourier-Transformationspipeline, die rohe CSI-Zeitreihen in Doppler-Spektrogramme umwandelt, sowie den beschrifteten Aktivitätsdatensatz für überwachtes Training über die Klassen Gehen, Sitzen, Stürzen und Ruhe.
Stellt eine kompakte CNN-Architektur vor, die Echtzeitinferenz auf Edge-Hardware erreicht, mit Klassifikationsgenauigkeit, Konfusionsmatrizen und Vergleich mit SVM- und Random-Forest-Baselines an zurückgehaltenen Testpersonen.