WiFi CSI 活动与位置识别系统

基于深度学习的WiFi信道状态信息(CSI)活动与位置识别系统，使用改进的ResNet架构实现高精度的人体活动和位置同时识别。

项目概述

本项目利用WiFi信号的信道状态信息(CSI)数据，通过深度学习方法同时识别人体活动类型和所处位置。系统具有以下特点：

• 支持多种损失函数（原始损失、交叉损失、焦点损失）
• 可处理多天线数据，并支持注意力机制
• 基于改进的ResNet架构，针对CSI数据特性进行优化
• 支持载波数量归一化处理

环境要求

• Python 3.6+
• PyTorch 1.7+
• NumPy
• SciPy
• Matplotlib (用于可视化)

数据集结构

dataset/
├── normalized/     # 归一化后的数据
├── testset.mat     # 测试集
└── trainset.mat    # 训练集

模型架构

项目包含多个模型实现：

• FlexibleResNet: 主要模型，基于ResNet架构的改进版本
• 支持BasicBlock构建块
• 支持多天线数据的注意力机制

使用方法

训练模型

python main.py --batch-size 64 --num-epochs 200 --lr 3e-4 --dataset dataset --device cuda

主要参数

• --batch-size: 训练批量大小 (默认: 64)
• --num-epochs: 训练轮数 (默认: 200)
• --lr: 学习率 (默认: 3e-4)
• --dataset: 数据集路径 (默认: 'dataset')
• --device: 使用设备 (默认: 'cuda')
• --checkpoint-dir: 模型保存路径 (默认: 'checkpoints')
• --loss-type: 损失函数类型 ['origin', 'cross', 'focal'] (默认: 'origin')
• --classes-act: 活动类别数量 (默认: 6)
• --classes-loc: 位置类别数量 (默认: 16)
• --target-carriers: 归一化到的目标载波数量 (默认: 52)
• --use-attention: 是否使用注意力机制 (默认: False)

项目结构

.
├── main.py                # 主程序入口
├── main_set.py            # 主要设置和配置
├── models/                # 模型定义
│   ├── apl_modif.py       # 主要使用的模型
│   └── ...                # 其他模型变体
└── utils/                 # 工具函数
    ├── __init__.py
    ├── LRScheduler.py     # 学习率调度器
    └── dataset_utils.py   # 数据集处理工具

训练过程

系统会同时训练活动识别和位置识别两个任务，并在测试集上评估性能。训练过程中会保存性能最佳的模型。

性能指标

• 活动识别准确率
• 位置识别准确率