WiGesture 和 WiFall

WiGesture和WiFall数据集是由深圳大数据研究院收集的，用于跨域Wi-Fi感知任务。WiGesture数据集包含8名个体执行6种不同手势动作的CSI数据，而WiFall数据集则包含10名个体执行5种不同动作的CSI数据。这些数据集用于手势识别、人员识别、跌倒检测和动作识别等任务。数据集的创建过程涉及从多个个体中收集CSI数据，并通过分析这些数据来识别和分类不同的动作。这些数据集的应用领域主要集中在Wi-Fi感知技术的研究和开发，旨在解决跨域环境下的模型泛化问题。WiGesture and WiFall datasets were collected by the Shenzhen Big Data Institute for cross-domain Wi-Fi sensing tasks. The WiGesture dataset contains CSI data from 8 individuals performing 6 distinct gesture actions, while the WiFall dataset includes CSI data from 10 individuals executing 5 different movements. These datasets are utilized for tasks such as gesture recognition, person identification, fall detection and action recognition. The creation of these datasets involves collecting CSI data from multiple individuals and analyzing such data to identify and classify different actions. The application domains of these datasets mainly focus on the research and development of Wi-Fi sensing technologies, aiming to address the problem of model generalization in cross-domain environments.

搜集汇总

数据集介绍

构建方式

WiGesture和WiFall数据集通过分析信道状态信息（CSI）构建，用于手势识别和跌倒检测任务。数据集由ESP32-S3设备收集，采样率为100Hz，包含1个天线和52个子载波。WiGesture数据集包含8名个体执行6种不同手势动作的CSI数据，而WiFall数据集则包含10名个体执行5种不同动作的CSI数据。数据集的构建通过分析CSI信号的变化模式，捕捉个体动作的细微特征，从而实现跨域的Wi-Fi感知任务。

使用方法

WiGesture和WiFall数据集可用于多种Wi-Fi感知任务，如手势识别、跌倒检测和动作识别。使用时，研究人员可以通过分析CSI信号的变化模式，训练分类模型，实现对不同动作的识别。数据集支持少样本学习（Few-Shot Learning）和跨域适应（Domain Adaptation），能够在有限标注数据的情况下，快速适应新环境。通过结合KNN-MMD等方法，研究人员可以进一步提升模型的稳定性和准确性。

背景与挑战

背景概述

WiGesture和WiFall数据集是由深圳大数据研究院和中山大学计算机科学与工程学院的研究团队开发的，旨在推动Wi-Fi感知技术在集成感知与通信（ISAC）领域的应用。这两个数据集通过分析信道状态信息（CSI）来识别手势和跌倒等动作，主要研究人员包括Zijian Zhao、Zhijie Cai等。WiGesture数据集包含8名个体执行6种不同手势的CSI数据，而WiFall数据集则包含10名个体执行5种不同动作的CSI数据。这些数据集的创建旨在解决Wi-Fi感知中的跨域问题，即在不同环境下训练的模型在实际部署中性能下降的问题。

当前挑战

WiGesture和WiFall数据集面临的主要挑战包括：1) 环境变化对CSI数据的影响，导致模型在不同环境下的泛化能力下降；2) 数据集的构建过程中，收集大规模CSI数据集的难度较大，且不同数据集之间的格式差异增加了模型训练的复杂性；3) 跨域问题，即训练数据和测试数据分布不一致，导致模型性能显著下降。此外，Wi-Fi感知技术在隐私保护、遮挡和光照条件变化等方面具有优势，但也需要在实际应用中解决这些挑战，以确保模型的稳定性和准确性。

常用场景

经典使用场景

WiGesture和WiFall数据集的经典使用场景主要集中在跨域Wi-Fi感知任务中，特别是在手势识别、跌倒检测和人员识别等领域。通过分析信道状态信息（CSI）的模式，这些数据集能够捕捉到人体动作的细微变化，从而实现高精度的动作分类和识别。

解决学术问题

WiGesture和WiFall数据集解决了跨域Wi-Fi感知中的关键问题，即环境变化导致的CSI模式不一致性。通过引入KNN-MMD模型，数据集能够有效应对不同环境下的数据分布差异，提升了模型的泛化能力和稳定性，为跨域Wi-Fi感知提供了新的解决方案。

实际应用

WiGesture和WiFall数据集在实际应用中具有广泛的前景，特别是在智能家居、办公自动化和公共安全等领域。例如，手势识别可以用于智能设备的控制，跌倒检测可以应用于老年人监护系统，而人员识别则可以用于安全监控和身份验证。

数据集最近研究

最新研究方向

近年来，WiGesture和WiFall数据集在跨域Wi-Fi感知领域引起了广泛关注。该领域的研究重点在于解决环境变化对信道状态信息（CSI）模式的影响，尤其是在不同环境下的模型泛化能力问题。最新的研究方向集中在少样本学习（Few-Shot Learning, FSL）和跨域适应（Domain Adaptation, DA）方法的结合上，以提高Wi-Fi感知模型在不同环境中的稳定性和准确性。KNN-MMD模型通过局部分布对齐策略，显著提升了跨域Wi-Fi感知任务的性能，尤其是在手势识别、跌倒检测和动作识别等任务中表现出色。此外，该研究还引入了基于支持集的早停策略，进一步增强了模型的实用性。这些进展为Wi-Fi感知技术在智能家居、办公场所和公共场所的广泛应用提供了坚实的基础。

相关研究论文

• KNN-MMD: Cross Domain Wi-Fi Sensing Based on Local Distribution Alignment

  深圳大数据研究院 · 2024年