Szczegóły publikacji
Opis bibliograficzny
Rozpoznawanie osób z użyciem cech chodu pochodzących z CSI — Human recognition based on CSI-extracted gait features / Michał MAJ, Katarzyna KOSEK-SZOTT // Przegląd Telekomunikacyjny, Wiadomości Telekomunikacyjne ; ISSN 1230-3496 . — 2026 — R. 98 [powinno być 99] nr 4, s. 77–80. — Bibliogr. s. 80, Streszcz., Abstr. — KRiT 2026 : Konferencja Radiokomunikacji i Teleinformatyki : 23–25 września 2026, Wrocław
Autorzy (2)
Słowa kluczowe
Dane bibliometryczne
| ID BaDAP | 170326 |
|---|---|
| Data dodania do BaDAP | 2026-10-01 |
| Tekst źródłowy | URL |
| DOI | 10.15199/59.2026.4.14 |
| Rok publikacji | 2026 |
| Typ publikacji | referat w czasopiśmie |
| Otwarty dostęp |  |
| Creative Commons | |
| Czasopismo/seria | Przegląd Telekomunikacyjny, Wiadomości Telekomunikacyjne |
Streszczenie
Artykuł prezentuje system identyfikacji osób oparty na analizie informacji o stanie kanału (CSI) sieci Wi-Fi. System przetwarza surowe dane CSI do postaci widma Dopplera, z którego przy pomocy sieci neuronowej wyodrębiane są cechy chodu. Sieć używa rozszerzonych bloków konwolucyjnych z mechanizmem atencji oraz BiLSTM i jest trenowana z użyciem funkcji straty SupCon. Klasyfikacja osób odbywa się przez porównanie zanurzeń do centroidów klastrów. Zastosowanie filtru Kalmana na wyjściu sieci istotnie poprawia dokładność klasyfikacji. System został oceniony na zbiorach Widar 3 i EIGait obejmujących 19 osób w 6 środowiskach, osiągając dokładność 86,5% przy użyciu filtru Kalmana oraz 98,4% przy kombinacji filtru Kalmana z SVM.
Abstract
This paper presents a person identification system based on Wi-Fi channel state information (CSI) analysis. The system converts raw CSI data into Doppler spectra, from which gait features are extracted using a neural network. The network employs dilated convolutional blocks with attention mechanisms and BiLSTM layers, and is trained using supervised contrastive loss. Human classification is performed by comparing embeddings to per-user cluster centroids. Applying a Kalman filter at the network output significantly improves classification accuracy. The system was evaluated on the Widar and EIGait datasets, covering 19 subjects across 6 environments, achieving accuracy of 86.5% using the Kalman filter and 98.4% with a Kalman filter combined with SVM.
