Merevolusi rumah pintar: Aiot bertemu wifi untuk hidup yang lebih cerdas
Kerangka kerja kecerdasan buatan meningkatkan ketepatan pengenalan aktivitas manusia.
Kecerdasan buatan dari Things (AIOT) mengintegrasikan kecerdasan buatan (AI) dengan Internet of Things (IoT), menggabungkan kekuatan kedua teknologi. Tidak seperti sistem IoT tradisional, di mana perangkat mengumpulkan dan mengirimkan data ke server jarak jauh untuk diproses, perangkat AIOT memproses data secara lokal secara real-time, memungkinkan mereka untuk membuat keputusan cerdas di tempat. Kemampuan ini telah menyebabkan adopsi luas di bidang -bidang seperti manufaktur cerdas, keamanan rumah pintar, dan pemantauan perawatan kesehatan.
Dalam aplikasi rumah pintar, pengenalan aktivitas manusia yang akurat sangat penting, memungkinkan sistem AIOT untuk mendeteksi kegiatan seperti memasak atau berolahraga. Dengan menganalisis data ini, sistem dapat secara otomatis menyesuaikan pencahayaan, memutar musik, atau mengoptimalkan penggunaan energi, meningkatkan kenyamanan dan efisiensi. Di antara berbagai pendekatan untuk pengenalan gerak, deteksi berbasis WiFi menonjol karena ketersediaannya yang luas, efektivitas biaya, dan kemampuan untuk mempertahankan privasi pengguna.
Breakthrough in Aiot: The MSF-Net Framework
Baru-baru ini, dalam sebuah artikel penelitian baru, sebuah tim peneliti, yang dipimpin oleh Profesor Gwanggil Jeon dari College of Information Technology di Incheon National University, Korea Selatan, telah menghasilkan kerangka AIOT baru yang disebut Multiple Spectrogram Fusion Network (MSF-NET) untuk pengakuan aktivitas manusia yang berbasis di WiFi. Temuan mereka baru -baru ini diterbitkan di Jurnal IEEE Internet of Things.
Prof. Jeon menjelaskan motivasi di balik penelitian mereka. “Sebagai aplikasi AIOT yang khas, pengenalan aktivitas manusia berbasis WiFi menjadi semakin populer di rumah pintar. Namun, pengakuan berbasis WiFi seringkali memiliki kinerja yang tidak stabil karena gangguan lingkungan. Tujuan kami adalah mengatasi masalah ini. ”
MSF-NET: Kerangka belajar yang mendalam untuk meningkatkan pengenalan aktivitas
Dalam pandangan ini, para peneliti mengembangkan kerangka kerja pembelajaran mendalam yang kuat MSF-NET, yang mencapai pengenalan aktivitas kasar serta aktivitas yang baik melalui Informasi Negara Saluran (CSI). MSF-NET memiliki tiga komponen utama: struktur aliran ganda yang terdiri dari transformasi Fourier waktu pendek bersama dengan transformasi wavelet diskrit, transformator, dan cabang fusi berbasis perhatian. Sementara struktur dual-stream menunjukkan informasi abnormal dalam CSI, transformator mengekstrak fitur tingkat tinggi dari data secara efisien. Terakhir, cabang Fusion meningkatkan fusi model silang.
Para peneliti melakukan percobaan untuk memvalidasi kinerja kerangka kerja mereka, menemukan bahwa ia mencapai Cohen yang luar biasa'Skor S Kappa 91,82%, 69,76%, 85,91%, dan 75,66%pada SIGNFI, WIDAR3.0, UT-HAR, dan Dataset NTU-Har-Har-HAR, masing-masing. Nilai-nilai ini menyoroti kinerja superior MSF-NET dibandingkan dengan teknik canggih untuk pengenalan aktivitas kasar berbasis data WiFi.
“Teknik fusi frekuensi multimodal telah secara signifikan meningkatkan akurasi dan efisiensi dibandingkan dengan teknologi yang ada, meningkatkan kemungkinan aplikasi praktis. Penelitian ini dapat digunakan di berbagai bidang seperti rumah pintar, obat rehabilitasi, dan merawat orang tua. Misalnya, dapat mencegah jatuh dengan menganalisis gerakan pengguna dan berkontribusi untuk meningkatkan kualitas hidup dengan membangun sistem pemantauan kesehatan yang tidak wajah-ke-wajah, ”simpul Prof. Jeon.
Secara keseluruhan, pengenalan aktivitas menggunakan WiFi, teknologi konvergensi IoT dan AI yang diusulkan dalam pekerjaan ini, diharapkan dapat sangat meningkatkan kehidupan orang melalui kenyamanan dan keamanan sehari -hari!
Referensi: “Kerangka kerja aiot dengan fusi frekuensi multimodal untuk pengenalan aktivitas kasar dan halus berbasis WiFi” oleh Junxin Chen, Xu Xu, Tingting Wang, Gwanggil Jeon dan David Camacho, 13 Mei 2024, Jurnal IEEE Internet of Things.
Doi: 10.1109/jiot.2024.3400773
