في عصر التكنولوجيا المتقدمة، تبرز تقنية التعرف على الأنشطة البشرية (HAR) باستخدام إشارات الواي فاي كأداة ثورية في العديد من المجالات مثل المنازل الذكية، مراقبة الصحة، نظم الأمان، والعيش المدعوم. على عكس الأنظمة التقليدية المستندة إلى الكاميرات، التي تثير مخاوف كبيرة بشأن الخصوصية وتفشل في الظروف المنخفضة الإضاءة، بالإضافة إلى أجهزة الاستشعار القابلة للارتداء التي تتطلب تعاون المستخدمين، يوفر التعرف على الأنشطة باستخدام الواي فاي تجربة غير متطفلة، تحافظ على الخصوصية، وفعّالة من حيث التكلفة، وتعمل بسلاسة في أي ظروف إضاءة.

تقدم ورقة البحث المبنية حول هذه التقنية منهجية شاملة للتعرف على ثلاثة أنشطة بشرية متميزة: "عدم وجود شخص" (غرفة فارغة)، "المشي"، و"المشي + تحريك الذراعين" باستخدام مجموعة بيانات Wallhack1.8k لرسوم طيف الواي فاي. وتهدف هذه الدراسة إلى تجاوز التحديات الرئيسية في التعرف على الأنشطة باستخدام الواي فاي من خلال ثلاثة تحسينات رئيسية.

أولاً، لمعالجة التباين العالي في الأداء، تم تنفيذ التعلم الجماعي مع خمس معماريات مختلفة من الشبكات العصبية التلافيفية (CNN) تشمل Deep CNN، Wide CNN، MobileNetV2، ResNet50V2، وEfficientNetB0. ثانياً، ولعلاج محدودية حجم مجموعة البيانات، تمت تطبيق تقنيات تعزيز البيانات القوية، بما في ذلك تشويه الزمن، وإخفاء التردد، وإضافة الضوضاء. ثالثاً، لتقييم قدرة النموذج على التعميم في العالم الحقيقي، تم إجراء تقييم عبر السيناريوهات المختلفة (التدريب على خط الرؤية والاختبار في غير خط الرؤية) وتقييم عبر الهوائيات (التدريب على هوائي Biquad والاختبار على هوائي PIFA).

لقد حقق نموذجنا الجماعي دقة اختبار بلغت 94.87% في سيناريو Line-of-Sight مع هوائي Biquad، متفوقاً على أفضل نموذج فردي بنسبة 0.66%. كما أن تعزيز البيانات قد حسن من أداء Random Forest من 60% إلى 95%. وأظهرت التقييمات عبر السيناريوهات انخفاضات طفيفة في الدقة بنسبة 1.37% و2.07% فقط، مما يدل على قدرات قوية على التعميم. تشير النتائج إلى أن المنهج المقترح قوي وموثوق، وملائم للنشر في بيئات واقعية مع تكوينات أجهزة متنوعة.

ما رأيكم في هذه الابتكارات الرائعة في مجال الذكاء الاصطناعي؟ شاركونا في التعليقات!