Transformer-based Models for Person-Independent Physical Activity Recognition Using Wi-Fi CSI
Resumo:
Detectar atividade física é uma tarefa difícil porque os movimentos humanos são complexos, variados e, muitas vezes, sutis. Em ambientes reais, há ruído, interferência e variações no comportamento individual — as pessoas têm diferentes estilos de movimento, velocidades, alturas, pesos e preferências motoras. Além disso, atividades semelhantes (como varrer o chão e fazer pequenos gestos com o braço) geram padrões de sinal semelhantes, dificultando a diferenciação entre elas pelo modelo. A coleta de dados em ambientes não controlados também produz dados ruidosos ou incompletos, tornando a análise mais desafiadora. O uso de Informações de Estado do Canal (CSI) para reconhecimento de atividade humana é promissor na área da saúde, particularmente para o monitoramento remoto de pacientes. Ao capturar e interpretar sinais Wi-Fi em ambientes internos, o CSI pode ser usado para detectar atividade física, quedas ou movimentos diários de um paciente, permitindo que cuidadores e profissionais de saúde monitorem os pacientes sem a necessidade de sensores vestíveis ou câmeras invasivas. O CSI também demonstra grande potencial no cuidado com idosos. Portanto, esta tese propõe uma metodologia chamada MHDA-CSI, que identifica a atividade física de uma pessoa em um ambiente por meio da análise de dados CSI e um conjunto de dados usado para sua avaliação. O MHDA-CSI utiliza modelos baseados em Transformers desenvolvidos para processar dados de séries temporais, apresentando uma estrutura projetada para capturar dependências temporais. O MHDA-CSI é capaz de identificar atividades de pessoas que não participaram da fase de treinamento. Usando um conjunto de dados de 59 voluntários, nossa proposta alcançou uma precisão de 88,89% na detecção de choro, mesmo com treinamento em dados de diferentes indivíduos. A precisão na identificação de movimentos foi de 96,67%.
Abstract:
Detecting physical activity is a difficult task because human movements are complex, varied, and often subtle. In real environments, there is noise, interference, and variations in individual behavior—people have different movement styles, speeds, heights, weights, and motor preferences. Furthermore, similar activities (such as sweeping the floor and making small arm gestures) generate similar signal patterns, making it difficult for the model to differentiate between them. Data collection in uncontrolled environments also produces noisy or incomplete data, making analysis more challenging. The use of Channel State Information (CSI) for human activity recognition holds significant promise in healthcare, particularly for remote patient monitoring. By capturing and interpreting Wi-Fi signals in indoor environments, CSI can be used to detect physical activity, falls, or daily movements of a patient, enabling caregivers and healthcare professionals to monitor patients without the need for wearable sensors or invasive cameras. CSI also shows great potential in elderly care. Therefore, this thesis proposes a methodology called MHDA-CSI, which identifies the physical activity of a person in a room through the analysis of CSI data and a dataset used for its evaluation. MHDA-CSI leverages Transformer-based models developed to process time-series data, featuring a structure designed to capture temporal dependencies. MHDA-CSI is capable of identifying activities of people who did not participate in the training phase. Using a dataset of 59 volunteers, our proposal achieved an accuracy of 88.89 % of weeping detection, even with training on data from different individuals. The movement identification accuracy is 96.67%.
Banca examinadora:
Profa. Débora Christina Muchaluat Saade, UFF – Presidente
Prof. Célio Vinicius Neves de Albuquerque, UFF
Prof. Flávio Luiz Seixas, UFF
Profa. Natalia Castro Fernandes, UFF
Prof. Gheorghita Ghinea, Brunel University London
Prof. Rodrigo da Rosa Righi, UNISINOS