User Activity Detection and Feature Selection Using WiFi CSI-Based Datasets

Une ville intelligente a accès à beaucoup de données à travers divers systèmes interconnectés et des capteurs qui recueillent des informations sur ses résidents, son infrastructure et son environnement. Des dispositifs de type Internet des objets (IoT) et des capteurs sont déployés dans la plupart des villes pour collecter des données en temps réels sur différents aspects, tels que les mouvements des personnes, la qualité de l’air, la température, l’humidité, la circulation routière, la gestion des déchets et la consommation d'énergie. Ces données peuvent être utilisées par des systèmes basés sur l’intelligence artificielle (AI) pour améliorer les opérations de la ville, améliorer les services et prendre des décisions basées sur les données. L’utilisation d’algorithmes avancés peut aboutir à la création d’un environnement urbain efficace et durable pour les résidents. Dans le cadre de la présente recherche, une méthode de reconnaissance des activités humaines dynamiques (HAR) est appliquée à plusieurs ensembles de données publiques basés sur le WiFi dont l’ensemble (WiAR) à la base de nos travaux. Une évaluation des performances est réalisée à l’aide d’un cadre de traitement des données basé sur l’apprentissage automatique. Après avoir d´etecté les activités humaines pertinentes, il est souhaitable de distinguer les personnes qui semblent effectuer une activité spécifique. Nous détectons automatiquement l’activité humaine en suivant l’évolution du spectrogramme des signaux RF WiFi et en comparant l’énergie liée au mouvement avec un seuil dynamique. Nous proposons une méthode utilisant la distribution d’énergie à la fois en fréquence et en temps en analysant le spectrogramme des signaux RF WiFi pour distinguer un changement d’énergie dˆun changement de vitesse de mouvement lors d’une activité humaine. Ensuite, nous ´evaluons les performances de la méthode proposée lorsqu’elle utilise différentes caractéristiques détectées dans l’ensemble de données. La question est de savoir combien de caractéristiques utiliser et avec quelle dimensionalité pour obtenir de meilleures performances. Pour relever ce défi, nous combinons l’analyse en composantes principales (PCA) et l’algorithme de l’arbre de décision afin de déterminer les caractéristiques du signal qui permettent d’améliorer la précision du modèle et d’obtenir de bonnes performances. La méthode PCA effectue une projection selon les directions ayant la plus grande variabilité.

Abstract

A smart city is exposed to a lot of data through various interconnected systems and sensors that collect information about its residents, infrastructure, and environment. Internet of Things (IoT) devices and sensors are deployed throughout the city to collect real-time data on various aspects, such as people’s movements, air quality, temperature, humidity, traffic flow, waste management, and energy consumption. This data can be used by artificial intelligence (AI) based systems to enhance city operations, improve services, and make datadriven decisions. Using advanced algorithms to process such data can result in an improved and sustainable urban environment for residents. With that general goal in mind, a dynamic human activity recognition (HAR) method is proposed and applied to a public dataset for WiFi-based activity recognition (WiAR) in this research. A performance evaluation is carried out using a machine learning-based data processing framework. After detecting the related human activities, it is desirable to distinguish people who appear to be performing a specific activity. Our proposed method automatically detects human activity by tracking the evolution of the spectrogram of WiFi RF signals and comparing the movement-related energy with a dynamic threshold. We propose a method based on energy distribution in frequency and time that analyzes the spectrogram of WiFi RF signals to distinguish a change in energy due to a change in speed of motion during a human activity.The thesis explores and characterizes the performance of the proposed method when it uses different signal features. An important research question is to determine how many signal features to use and with which number of dimensions to achieve good performance while keeping the computational effort at an acceptable level. To overcome this challenge, we apply the principal component analysis (PCA) method before the decision-tree algorithm to efficiently characterize features and to improve the model accuracy while achieving a high performance. PCA transforms data to retain the dimensions that have the highest variability. The environment to detect human activity changes dynamically. There is an element of randomness or uncertainty involved in determining the final outcome. Such nondeterministic behavior and parameters can be controlled by heuristic algorithms or by decision trees to provide a decision-making solution.