Uma Metodologia Baseada em Modelos Transformer para Reconhecimento de Atividades Humanas Independente de Pessoa Usando Dados Wi-Fi CSI

Abstract

Resumo: 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 pacientes sem a necessidade de sensores vestíveis ou câmeras invasivas. Portanto, este artigo propõe uma metodologia chamada MPA-CSI para identificar a atividade de uma pessoa em uma sala por meio da análise de dados CSI e um conjunto de dados usado para sua avaliação. O MPA-CSI usa modelos Transformer desenvolvidos para processar dados de séries temporais. O MPA-CSI é capaz de identificar a atividade de pessoas que não participaram da fase de treinamento do modelo. A acurácia da identificação de movimento é de 96,67% usando um conjunto de dados CSI de 59 voluntários.

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, allowing caregivers and healthcare professionals to monitor patients without the need for wearable sensors or invasive cameras. Therefore, this paper proposes a methodology called MPA-CSI to identify the activity of a person in a room through the analysis of CSI data and a dataset used for its evaluation. MPA-CSI uses Transformer models developed to process time series data featuring a structure that allows capturing temporal dependencies. MPA-CSI is capable of identifying activities of people who did not participate in the training phase. The movement identification accuracy is 96.67% using a dataset with CSI data from 59 volunteers.