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.