SenseFi

SenseFi数据集是由南洋理工大学的研究团队创建，旨在为深度学习驱动的WiFi人体感知提供一个全面的基准。该数据集包含四个子集，分别使用Intel 5300 NIC和Atheros CSI Tool收集，涵盖了从基础活动识别到复杂的人体识别等多种感知任务。数据集的创建过程涉及精确的数据分割和处理，确保了数据的质量和适用性。SenseFi数据集的应用领域广泛，包括智能家居、健康监测和安全监控等，旨在通过深度学习技术提升WiFi感知的准确性和效率。

The SenseFi dataset was created by a research team from Nanyang Technological University, with the objective of offering a comprehensive benchmark for deep learning-driven WiFi-based human sensing. This dataset comprises four subsets, which were collected using Intel 5300 NIC and Atheros CSI Tool respectively, covering a wide range of sensing tasks from basic activity recognition to complex human identification. The construction of the SenseFi dataset involves precise data segmentation and processing procedures, ensuring both data quality and applicability. The SenseFi dataset has broad application domains including smart homes, health monitoring, and security surveillance, aiming to improve the accuracy and efficiency of WiFi sensing via deep learning technologies.

搜集汇总

数据集介绍

构建方式

在无线感知领域，SenseFi数据集的构建体现了系统性与严谨性。该数据集整合了来自不同WiFi平台的多源数据，包括公开的UT-HAR与Widar数据集，以及新采集的NTU-Fi HAR与Human-ID数据集。数据采集依托Intel 5300 NIC与Atheros CSI Tool等主流工具，确保了信道状态信息（CSI）的高分辨率获取。通过精心设计的实验布局，涵盖了多样的人类活动与身份识别场景，并对原始CSI数据进行标准化预处理与有效分割，为后续深度学习模型的公平比较奠定了可靠基础。

使用方法

针对SenseFi数据集的使用，研究者可遵循一套标准化的流程以充分发挥其价值。首先，利用其开源库加载预处理后的CSI数据，并按照既定比例划分训练集与测试集。随后，可基于集成的多种主流深度学习模型（如CNN、GRU、Transformer等）进行训练与评估，重点关注模型在准确率、计算复杂度与参数规模等方面的权衡。数据集特别支持迁移学习与无监督学习实验，用户可通过预训练-微调策略或对比学习框架，探索模型在新任务或跨域场景下的适应能力，从而推动实际WiFi感知应用的算法优化与部署。

背景与挑战

背景概述

随着无线感知技术的快速发展，基于WiFi信道状态信息（CSI）的无设备人体感知已成为普适计算领域的前沿方向。然而，相较于计算机视觉与自然语言处理领域成熟的深度学习基准，WiFi感知研究长期缺乏统一的评估体系与开源工具。为此，新加坡南洋理工大学等机构的研究团队于2023年正式提出了SenseFi基准库，旨在系统性地评估各类深度学习模型在多种WiFi感知任务中的效能。该基准整合了来自Intel 5300与Atheros等主流CSI工具的多平台数据集，涵盖人体活动识别、手势识别与身份辨识等核心任务，并通过对比模型精度、计算复杂度、特征可迁移性及无监督学习适应性等维度，为领域内模型设计与优化提供了首个开源的综合实验平台，显著推动了WiFi感知研究的标准化与可复现性。

当前挑战

SenseFi基准所针对的WiFi人体感知领域，其核心挑战在于模型需从高噪声、多路径传播的CSI信号中鲁棒地提取与人体动作相关的细微模式，并克服环境动态变化导致的分布偏移问题。在数据集构建层面，挑战主要体现在：其一，CSI数据的标注成本高昂，需志愿者在受控环境下重复执行特定动作，且数据采集受硬件平台、天线配置与环境布局的显著影响；其二，原始CSI相位信息存在随机偏移，需依赖振幅或跨天线差分等预处理技术以提升信号稳定性，同时不同平台采集的数据维度与分辨率差异为模型泛化带来困难。此外，如何设计兼顾精度与效率的轻量化网络，以适配边缘设备的实时感知需求，亦是该领域亟待突破的关键挑战。

常用场景

经典使用场景

在普适计算与智能感知领域，WiFi信号因其广泛部署与非侵入特性，已成为实现设备无关人体行为感知的重要媒介。SenseFi作为首个面向WiFi感知的深度学习基准库，其经典应用场景在于系统性地评估各类深度神经网络在信道状态信息数据上的表现。该基准通过整合多种公开数据集与自采数据，构建了涵盖活动识别、手势识别、身份认证等多任务的统一评测框架，为研究者提供了从数据预处理到模型比较的完整实验流程。

解决学术问题

SenseFi致力于解决WiFi感知研究中长期存在的模型评估标准缺失问题。传统研究往往针对特定任务与设备定制网络，导致结果难以横向比较，无法厘清性能提升究竟源于模型创新还是数据特性。该基准通过公平对比多层感知机、卷积网络、循环网络及Transformer等主流架构，在准确率、计算复杂度、参数规模等维度提供量化分析，揭示了不同模型在跨平台CSI数据上的泛化能力与效率瓶颈，为模型选择与优化提供了实证依据。

实际应用

在实际部署层面，SenseFi所构建的基准体系可直接赋能智能家居、健康监护、安防检测等现实场景。例如在老年人看护系统中，基于CSI的跌倒检测模型可通过WiFi路由器实时监测异常活动，避免隐私泄露风险；在智能办公环境里，人员计数与行为分析功能可优化空间利用率与能耗管理。该库进一步探索的迁移学习与无监督学习方案，显著降低了新环境下的数据标注成本，提升了模型在动态场景中的自适应能力。

数据集最近研究

最新研究方向

在无线感知领域，SenseFi基准库的建立标志着深度学习赋能的WiFi人体感知研究进入系统化评估阶段。当前前沿研究聚焦于数据高效学习范式，通过元学习与零样本学习策略应对跨环境CSI数据稀缺的挑战，旨在构建对场景动态具有强鲁棒性的特征提取模型。模型轻量化设计成为另一热点方向，结合剪枝、量化与知识蒸馏技术优化计算效率，以满足边缘设备实时处理需求。多模态融合研究通过整合WiFi信号与视觉、雷达等传感数据，突破单一模态的感知局限，实现全天候鲁棒行为分析。与此同时，跨模态生成学习探索从CSI数据重构视觉表征的可能性，为隐私保护的感知应用开辟新路径。模型安全性与可解释性研究亦受到关注，对抗防御机制与物理模型启发的解释方法正推动可信赖感知系统的发展。这些方向共同推动WiFi感知从孤立任务识别向复杂行为理解与系统化部署演进。

相关研究论文

• SenseFi: A Library and Benchmark on Deep-Learning-Empowered WiFi Human Sensing

  南洋理工大学 · 2023年