A human activity recognition (HAR) system acts as the backbone of many human-centric applications, such as active assisted living and in-home monitoring for elderly and physically impaired people. Although existing Wi-Fi-based human activity recognition methods report good results, their performance is affected by the changes in the ambient environment. In this work, we present Wi-Sense—a human activity recognition system that uses a convolutional neural network (CNN) to recognize human activities based on the environment-independent fingerprints extracted from the Wi-Fi channel state information (CSI). First, Wi-Sense captures the CSI by using a standard Wi-Fi network interface card. Wi-Sense applies the CSI ratio method to reduce the noise and the impact of the phase offset. In addition, it applies the principal component analysis to remove redundant information. This step not only reduces the data dimension but also removes the environmental impact. Thereafter, we compute the processed data spectrogram which reveals environment-independent time-variant micro-Doppler fingerprints of the performed activity. We use these spectrogram images to train a CNN. We evaluate our approach by using a human activity data set collected from nine volunteers in an indoor environment. Our results show that Wi-Sense can recognize these activities with an overall accuracy of 97.78%. To stress on the applicability of the proposed Wi-Sense system, we provide an overview of the standards involved in the health information systems and systematically describe how Wi-Sense HAR system can be integrated into the eHealth infrastructure.

人类活动识别 (HAR) 系统是许多以人为中心的应用程序的支柱，例如针对老年人和身体残障人士的主动辅助生活和家庭监控。尽管现有的基于 Wi-Fi 的人类活动识别方法报告了良好的结果，但其性能受到周围环境变化的影响。在这项工作中，我们提出了 Wi-Sense——一种人类活动识别系统，它使用卷积神经网络 (CNN) 根据从 Wi-Fi 信道状态信息 (CSI) 中提取的与环境无关的指纹来识别人类活动。首先，Wi-Sense 使用标准 Wi-Fi 网络接口卡捕获 CSI。Wi-Sense 应用 CSI 比率方法来降低噪声和相位偏移的影响。此外，它应用主成分分析来去除冗余信息。这一步不仅减少了数据维度，还消除了对环境的影响。此后，我们计算处理后的数据频谱图，该频谱图揭示了所执行活动的与环境无关的时变微多普勒指纹。我们使用这些频谱图图像来训练 CNN。我们通过使用从室内环境中的九名志愿者收集的人类活动数据集来评估我们的方法。我们的结果表明，Wi-Sense 可以以 97.78% 的总体准确率识别这些活动。为了强调所提议的 Wi-Sense 系统的适用性，我们概述了健康信息系统中涉及的标准，并系统地描述了 Wi-Sense HAR 系统如何集成到电子健康基础设施中。这一步不仅减少了数据维度，还消除了对环境的影响。此后，我们计算处理后的数据频谱图，该频谱图揭示了所执行活动的与环境无关的时变微多普勒指纹。我们使用这些频谱图图像来训练 CNN。我们通过使用从室内环境中的九名志愿者收集的人类活动数据集来评估我们的方法。我们的结果表明，Wi-Sense 可以以 97.78% 的总体准确率识别这些活动。为了强调所提议的 Wi-Sense 系统的适用性，我们概述了健康信息系统中涉及的标准，并系统地描述了 Wi-Sense HAR 系统如何集成到电子健康基础设施中。这一步不仅减少了数据维度，还消除了对环境的影响。此后，我们计算处理后的数据频谱图，该频谱图揭示了所执行活动的与环境无关的时变微多普勒指纹。我们使用这些频谱图图像来训练 CNN。我们通过使用从室内环境中的九名志愿者收集的人类活动数据集来评估我们的方法。我们的结果表明，Wi-Sense 可以以 97.78% 的总体准确率识别这些活动。为了强调所提议的 Wi-Sense 系统的适用性，我们概述了健康信息系统中涉及的标准，并系统地描述了 Wi-Sense HAR 系统如何集成到电子健康基础设施中。我们计算处理后的数据频谱图，该频谱图揭示了所执行活动的与环境无关的时变微多普勒指纹。我们使用这些频谱图图像来训练 CNN。我们通过使用从室内环境中的九名志愿者收集的人类活动数据集来评估我们的方法。我们的结果表明，Wi-Sense 可以以 97.78% 的总体准确率识别这些活动。为了强调所提议的 Wi-Sense 系统的适用性，我们概述了健康信息系统中涉及的标准，并系统地描述了 Wi-Sense HAR 系统如何集成到电子健康基础设施中。我们计算处理后的数据频谱图，该频谱图揭示了所执行活动的与环境无关的时变微多普勒指纹。我们使用这些频谱图图像来训练 CNN。我们通过使用从室内环境中的九名志愿者收集的人类活动数据集来评估我们的方法。我们的结果表明，Wi-Sense 可以以 97.78% 的整体准确率识别这些活动。为了强调所提议的 Wi-Sense 系统的适用性，我们概述了健康信息系统中涉及的标准，并系统地描述了 Wi-Sense HAR 系统如何集成到电子健康基础设施中。我们通过使用从室内环境中的九名志愿者收集的人类活动数据集来评估我们的方法。我们的结果表明，Wi-Sense 可以以 97.78% 的总体准确率识别这些活动。为了强调所提议的 Wi-Sense 系统的适用性，我们概述了健康信息系统中涉及的标准，并系统地描述了 Wi-Sense HAR 系统如何集成到 eHealth 基础设施中。我们通过使用从室内环境中的九名志愿者收集的人类活动数据集来评估我们的方法。我们的结果表明，Wi-Sense 可以以 97.78% 的总体准确率识别这些活动。为了强调所提议的 Wi-Sense 系统的适用性，我们概述了健康信息系统中涉及的标准，并系统地描述了 Wi-Sense HAR 系统如何集成到电子健康基础设施中。