在物聯(lián)網(wǎng)技術(shù)飛速發(fā)展的背景下，人體行為識(shí)別作為關(guān)鍵服務(wù)之一，被廣泛應(yīng)用于醫(yī)療保健、智能家居等領(lǐng)域。射頻識(shí)別（Radio Frequency Identification，RFID）技術(shù)因其低成本、輕便、體積小且無(wú)需電池操作等優(yōu)勢(shì)，受到了廣泛關(guān)注。然而，現(xiàn)有的基于標(biāo)簽的人體行為識(shí)別解決方案主要依賴于標(biāo)簽攜帶的場(chǎng)景，且RFID標(biāo)簽提供的信息有限，主要針對(duì)靜態(tài)讀取場(chǎng)景。針對(duì)以上問(wèn)題，本文探討了無(wú)標(biāo)簽場(chǎng)景下的RFID行為識(shí)別方案。本文首先通過(guò)實(shí)驗(yàn)探究無(wú)標(biāo)簽場(chǎng)景下RFID行為識(shí)別存在的挑戰(zhàn)，并發(fā)現(xiàn)頻譜數(shù)據(jù)中蘊(yùn)含豐富的信息，這些信息可以用于識(shí)別人體行為。針對(duì)這些挑戰(zhàn)，本文對(duì)深度學(xué)習(xí)在RFID行為識(shí)別中的應(yīng)用進(jìn)行詳細(xì)列舉與闡述，系統(tǒng)概述RFID行為識(shí)別與深度學(xué)習(xí)技術(shù)融合的相關(guān)研究。

關(guān)鍵詞：RFID；行為識(shí)別；深度學(xué)習(xí)

Research on RFID Behavior Recognition in Unlabeled Scenes

FAN  Xiaoyi

（Shenzhen Jiangxing Lianjia Intelligent Technology Co., Ltd., Shenzhen 518101, China）

Abstract：In the context of the rapid development of Internet of Things (IoT) technology, human behavior recognition, as one of the key services, is widely applied in fields such as healthcare and smart homes. Radio Frequency Identification (RFID) technology has garnered widespread attention due to its advantages of low cost, portability, compact size, and battery-free operation. However, existing tag-based human behavior recognition solutions primarily rely on the scenarios where tags are carried, and the information provided by RFID tags is limited, mainly targeting static reading scenarios. To address these issues, this paper explores RFID behavior recognition solutions in tag-free scenarios. Initially, this paper experimentally investigates the challenges of RFID behavior recognition in tag-free scenarios and discovers that rich information is contained in spectral data, which can be utilized for recognizing human behaviors. In response to these challenges, this paper provides a detailed enumeration and elaboration on the application of deep learning in RFID behavior recognition, systematically outlining related research on the integration of RFID behavior recognition and deep learning technology.

Keywords：RFID; behavior recognition; deep learning

1

無(wú)標(biāo)簽場(chǎng)景的RFID行為識(shí)別存在的挑戰(zhàn)

目前商業(yè)標(biāo)簽閱讀器提供的編程接口有限，通過(guò)LLRP（低層閱讀器協(xié)議）只提供基礎(chǔ)原始數(shù)據(jù)如RSSI和相位角，這些數(shù)據(jù)廣泛應(yīng)用于RFID應(yīng)用。無(wú)標(biāo)簽配置下，靜止RFID標(biāo)簽與固定的閱讀器之間的通信鏈路可能因人的活動(dòng)受干擾，影響RSSI或相位讀數(shù)。TASA通過(guò)測(cè)量RSSI變化推斷人體的移動(dòng)^［1］，但原始RSSI對(duì)小幅度移動(dòng)的信息可能不可靠。我們室內(nèi)實(shí)驗(yàn)，標(biāo)簽置于1米距離，面向偏振天線，不同速度下握手，理論應(yīng)見(jiàn)RSSI或相位變化。圖1(a)顯示RSSI值幾乎不變，表明RSSI對(duì)于像握手這樣的微小動(dòng)作并不敏感。相比之下，圖1(b)顯示在手部移動(dòng)時(shí)相位讀數(shù)確實(shí)發(fā)生了變化，此現(xiàn)象值得進(jìn)一步研究。

(a)接收信號(hào)強(qiáng)度的不敏感性

(b)相位敏感但不夠準(zhǔn)確

圖1    基于接收信號(hào)強(qiáng)度和相位識(shí)別的局限性

我們通過(guò)實(shí)驗(yàn)展示了在密集多路徑環(huán)境中隱藏的豐富人體行為信息。在無(wú)標(biāo)簽配置的情況下，如果有多個(gè)參考標(biāo)簽，且能獲取每個(gè)標(biāo)簽信號(hào)的傳播路徑描述，可以實(shí)現(xiàn)高靈敏度的人體活動(dòng)識(shí)別。在TagFree系統(tǒng)中，通過(guò)部署多個(gè)參考標(biāo)簽來(lái)增加多路徑密度，并采用MUSIC（多重信號(hào)分類）算法對(duì)原始相位數(shù)據(jù)進(jìn)行預(yù)處理。我們?cè)谒奶炀€陣列前2米處放置一個(gè)靜止標(biāo)簽，并利用Thingmagic閱讀器持續(xù)收集其讀數(shù)，以展示無(wú)活動(dòng)、坐著、行走及跑步四種狀態(tài)下的信號(hào)頻譜。頻譜展示了信號(hào)到達(dá)方向隨時(shí)間的變化，其中高振幅的角度以黃色標(biāo)出。圖2(a)展示了無(wú)活動(dòng)狀態(tài)下的場(chǎng)景，此時(shí)環(huán)境中僅有一條明顯的直接路徑。圖2(b)描繪了坐著狀態(tài)，此時(shí)產(chǎn)生的信號(hào)路徑超過(guò)兩條，且這些路徑相對(duì)穩(wěn)定。圖2(c)展示在行走狀態(tài)下，實(shí)驗(yàn)對(duì)象在天線陣列與標(biāo)簽間往返移動(dòng)，其頻譜中的多路徑模式與坐著時(shí)有明顯區(qū)別。圖2(d)展示了跑步狀態(tài)下的頻譜，信號(hào)峰值在其中頻繁變動(dòng)。通過(guò)分析參考標(biāo)簽的信號(hào)多路徑頻譜，我們能夠量化多路徑信號(hào)模式與特定人體活動(dòng)之間的關(guān)聯(lián)性。

(a)無(wú)活動(dòng)時(shí)的頻譜

(b)坐著時(shí)的頻譜

(c)行走時(shí)的頻譜

(d)奔跑時(shí)的頻譜

圖2    各狀態(tài)下的頻譜

總體而言，信號(hào)功率和角度都與人體活動(dòng)密切相關(guān)，并且對(duì)多條不同級(jí)別的路徑產(chǎn)生顯著影響。然而，通過(guò)MUSIC算法估算得到的到達(dá)角（AoA）譜中峰值幅度呈現(xiàn)出概率特性，因此，譜數(shù)據(jù)中的峰值幅度并不一定代表實(shí)際的信號(hào)功率。特別是在“無(wú)活動(dòng)”狀態(tài)下，特定路徑的信號(hào)功率應(yīng)當(dāng)保持穩(wěn)定。由于信號(hào)間相互干擾及噪聲的影響，這些信號(hào)與人體活動(dòng)之間的關(guān)聯(lián)通常難以直接辨識(shí)。為應(yīng)對(duì)這些挑戰(zhàn)，我們需要一個(gè)能從海量頻譜數(shù)據(jù)中動(dòng)態(tài)且精確地識(shí)別并抽取關(guān)鍵特征的解決方案。為此，我們?cè)O(shè)計(jì)了一種基于深度學(xué)習(xí)的方法，該方法不僅能有效揭示常規(guī)活動(dòng)的特征，還能拓展應(yīng)用于識(shí)別更加復(fù)雜的行為模式。

2

RFID行為識(shí)別與深度學(xué)習(xí)技術(shù)的融合

帶標(biāo)簽的RFID行為識(shí)別方法要求目標(biāo)物體必須攜帶能發(fā)射或反射射頻信號(hào)的標(biāo)簽。然而，在一些特定情況下，如入侵者檢測(cè)系統(tǒng)，個(gè)體可能會(huì)刻意拋棄任何可被追蹤的設(shè)備；在老年人護(hù)理領(lǐng)域，由于老年人普遍不愿意攜帶移動(dòng)設(shè)備、穿著智能穿戴設(shè)備或攜帶RFID標(biāo)簽，這種方法同樣面臨挑戰(zhàn)。這些現(xiàn)實(shí)生活中的難題促進(jìn)了對(duì)無(wú)標(biāo)簽活動(dòng)識(shí)別技術(shù)的研究興趣，該技術(shù)旨在不依賴目標(biāo)物體上的任何附加設(shè)備即可實(shí)現(xiàn)活動(dòng)識(shí)別。因此，無(wú)標(biāo)簽活動(dòng)識(shí)別技術(shù)已成為物聯(lián)網(wǎng)研究領(lǐng)域的一個(gè)熱點(diǎn)。

圖3展示了TagFree系統(tǒng)的基本思路。在圖3(a)中，頻譜顯示存在從靜止標(biāo)簽出發(fā)的三條路徑，其中靜止標(biāo)簽1以相同的角度和功率，連續(xù)反射來(lái)自40°、90°和125°的信號(hào)，當(dāng)人阻擋了40°處的路徑1后，不僅該路徑的峰值降低，其他路徑的峰值幅度和角度亦發(fā)生變化。圖3(b)說(shuō)明了另一個(gè)情況，即區(qū)域內(nèi)有許多標(biāo)簽。觀察發(fā)現(xiàn)，隨著超過(guò)五個(gè)標(biāo)簽的增加，信號(hào)路徑數(shù)量迅速上升。因此，這種豐富而大量的多路徑信號(hào)信息為使用RFID標(biāo)簽進(jìn)行活動(dòng)識(shí)別提供了機(jī)會(huì)。信號(hào)之間相互交織，并偶爾被噪聲掩蓋，導(dǎo)致其與人體活動(dòng)間的關(guān)系模式難以被直接觀察。

(a)場(chǎng)景一

(b)場(chǎng)景二

圖3    TagFree基本思路

在物聯(lián)網(wǎng)領(lǐng)域，面對(duì)高頻且復(fù)雜的數(shù)據(jù)挑戰(zhàn)，傳統(tǒng)機(jī)器學(xué)習(xí)方法，例如支持向量機(jī)（SVM），在進(jìn)行人體活動(dòng)識(shí)別時(shí)往往面臨諸多識(shí)別困難。相比之下，深度神經(jīng)網(wǎng)絡(luò)能夠有效地從眾多傳感器收集到的高維復(fù)雜數(shù)據(jù)中提取出人體的行為模式，并深入分析時(shí)間頻譜數(shù)據(jù)中的行為信息。這一能力對(duì)于確保行為識(shí)別的準(zhǔn)確性至關(guān)重要，因?yàn)樗鼧O大地豐富了可用于活動(dòng)識(shí)別的信息量。因此，越來(lái)越多的研究者開(kāi)始關(guān)注深度學(xué)習(xí)技術(shù)在人體活動(dòng)識(shí)別領(lǐng)域的應(yīng)用潛力。

圖4     TagFree框架

深度神經(jīng)網(wǎng)絡(luò)（DNN）是一種受生物神經(jīng)系統(tǒng)啟發(fā)的先進(jìn)機(jī)器學(xué)習(xí)模型，它通過(guò)模擬人腦神經(jīng)元的工作方式，實(shí)現(xiàn)了高度復(fù)雜的特征提取和模式識(shí)別任務(wù)。這種網(wǎng)絡(luò)結(jié)構(gòu)由多層神經(jīng)元組成，每一層都負(fù)責(zé)從輸入數(shù)據(jù)中學(xué)習(xí)不同層級(jí)的特征。隨著網(wǎng)絡(luò)層數(shù)的增加，DNN能夠捕捉到數(shù)據(jù)的更多隱藏模式。Vepakomma等研究者^［2］通過(guò)基于深度學(xué)習(xí)的數(shù)據(jù)分析和利用佩戴設(shè)備的多模態(tài)感知，對(duì)大量細(xì)致和復(fù)雜活動(dòng)進(jìn)行分類，提高了多用戶、不同場(chǎng)景的行為識(shí)別準(zhǔn)確率。

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一種基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，通過(guò)模擬人類視覺(jué)系統(tǒng)的處理方式^［2］廣泛應(yīng)用于圖像、語(yǔ)音和文本等多模態(tài)數(shù)據(jù)的處理與分析。CNN利用卷積層提取局部特征，池化層降維并保持平移不變性，有效解決多層感知機(jī)的局部性、平移不變性等問(wèn)題。Ha等研究者提出了一種新型的多模態(tài)CNN架構(gòu)，該架構(gòu)在卷積層和池化層中使用二維（2D）卷積核^［3］，同時(shí)捕獲時(shí)間序列以及傳感器空間的局部依賴性，在性能上展現(xiàn)了顯著的提升，而Jiang等研究者通過(guò)將加速度計(jì)和陀螺儀信號(hào)序列組合成活動(dòng)圖像，并利用深度卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)特征^［4］，實(shí)現(xiàn)了在低計(jì)算成本下高準(zhǔn)確性的人體活動(dòng)識(shí)別。

循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）在語(yǔ)音識(shí)別和自然語(yǔ)言處理領(lǐng)域具有廣泛應(yīng)用，其工作機(jī)制依賴于神經(jīng)元間的時(shí)間相關(guān)性，通過(guò)引入時(shí)序特征，RNN能夠有效處理序列數(shù)據(jù)，捕捉上下文信息。此外，RNN還采用參數(shù)共享策略，降低了模型復(fù)雜度，提高了訓(xùn)練效率。其中，LSTM引入門(mén)控機(jī)制來(lái)控制信息的流動(dòng)，包括輸入門(mén)、遺忘門(mén)和輸出門(mén)^［5］，這些門(mén)控能夠有效地解決RNN在處理長(zhǎng)序列時(shí)的梯度消失或爆炸問(wèn)題，使得網(wǎng)絡(luò)更加穩(wěn)定和高效。Inoue等研究者^［7］提出了一種基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)（DRNN）的人體行為識(shí)別方法，并研究了不同的網(wǎng)絡(luò)架構(gòu)和參數(shù)組合，得出了一個(gè)性能較優(yōu)的模型，該模型能夠高效地處理人體活動(dòng)識(shí)別任務(wù)。Edel等研究者^［7］提出了一個(gè)采用二值化權(quán)重和激活函數(shù)的BLSTM-RNN模型，適用于資源受限的移動(dòng)設(shè)備，用于精細(xì)定位技術(shù)如健康監(jiān)測(cè)和室內(nèi)位置跟蹤，具有高效性和準(zhǔn)確性。

Transformer模型是一種基于自注意力機(jī)制^［6］的深度學(xué)習(xí)架構(gòu)，它通過(guò)計(jì)算序列中各元素間的相關(guān)性來(lái)捕捉長(zhǎng)距離依賴關(guān)系。這種模型特別適用于處理自然語(yǔ)言處理任務(wù)，如機(jī)器翻譯和文本生成，因其設(shè)計(jì)允許模型同時(shí)考慮序列中的全部元素，從而有效提升了處理效率和準(zhǔn)確性。Liu等研究者^［8］設(shè)計(jì)了一個(gè)基于Transformer的模型來(lái)提取其時(shí)間特征，并使用殘差連接的多頭自注意力機(jī)制生成隱藏表示，同時(shí)利用多尺度卷積塊捕獲不同尺度的特征，從而實(shí)現(xiàn)人與人之間交互行為的識(shí)別。

圖5    TransTM框架

3

總　結(jié)

這篇文章主要探討了在無(wú)標(biāo)簽場(chǎng)景下利用RFID進(jìn)行人體行為識(shí)別。文章首先探討了無(wú)標(biāo)簽RFID行為識(shí)別面臨的挑戰(zhàn)，如商業(yè)閱讀器接口的限制、人體活動(dòng)對(duì)信號(hào)的干擾以及RSSI和相位讀數(shù)的不可靠性等。通過(guò)實(shí)驗(yàn)表明，盡管RSSI對(duì)微小動(dòng)作不敏感，但相位讀數(shù)的變化揭示了人體移動(dòng)的信息，此外在密集多路徑環(huán)境中，通過(guò)分析RFID標(biāo)簽的信號(hào)多路徑頻譜，可以量化人體活動(dòng)與多路徑信號(hào)模式之間的關(guān)聯(lián)性。為了克服這些挑戰(zhàn)，文章系統(tǒng)概括了基于深度學(xué)習(xí)的方法，包括深度神經(jīng)網(wǎng)絡(luò)（DNN）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）等，旨在從海量頻譜數(shù)據(jù)中動(dòng)態(tài)且精確地提取關(guān)鍵特征。這種方法能夠有效揭示常規(guī)活動(dòng)的特征，并拓展應(yīng)用于更復(fù)雜行為模式的識(shí)別，在處理高維復(fù)雜數(shù)據(jù)、提取時(shí)間和空間中的行為模式以及提高活動(dòng)識(shí)別準(zhǔn)確性方面具有顯著優(yōu)勢(shì)

4

參考文獻(xiàn)

［1］Zhang D, Zhou J, Guo M, et al. TASA: Tag-Free Activity Sensing Using RFID Tag Arrays［J］. IEEE Transactions on Parallel and Distributed Systems: A Publication of the IEEE Computer Society, 2011,22(4):558-570.

［2］Lecun Y, Bengio Y, Hinton G. Deep Learning［J］. Nature, 2015, 521(7553):436-444.

［3］張洪文.基于深度學(xué)習(xí)的圖像識(shí)別技術(shù)在電子信息領(lǐng)域的應(yīng)用研究［J］.信息產(chǎn)業(yè)報(bào)道,2024(02):181-183.

［4］Jiang W, Yin Z. Human Activity Recognition Using Wearable Sensors by Deep Convolutional Neural Networks［J］. ACM, 2015:1307-1310.

［5］Hochreiter S, Schmidhuber J. Long Short-Term Memory［J］.Neural Computation, 1997,9(8):1735-1780.

［6］李閣,劉敬坡.基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)與識(shí)別模型優(yōu)化［J］.信息產(chǎn)業(yè)報(bào)道, 2023(05):100-102.

［7］Edel M, Koppe E. Binarized-BLSTM-RNN based Human Activity Recognition［J］.IEEE, 2016.

［8］Yi Liu, Weiqing Huang, Shang Jiang, et al. TransTM: A device-free method based on time-streaming multiscale transformer for human activity recognition［J］. Defence Technology, 2024(32):619-628.