|
Title
|
تشخيص حركت دست در محيط هاي مختلف با استفاده از
اطالعات وضعيت سيگنال هاي واي فاي و ياد گيري عميق
|
|
Type
|
Thesis
|
|
Keywords
|
تشخيص حركت دست، اطالعات وضعيت كانال(CSI (، يادگيري عميق، حسگري كراس-دومين، مكانيزم توجه
|
|
Abstract
|
زمينه: تشخيص حركات بدن، بهويژه حركات دست، نقشي كليدي در ايجاد رابطهاي كاربري غيرتماسي
و هوشمند ايفا ميكند. برخالف روشهاي سنتي مبتني بر دوربين كه با چالشهاي حريم خصوصي و
وابستگي به نور مواجه اند، استفاده از اطالعات وضعيت كانال (CSI (در سيگنالهاي وايفا به عنوان يك
راهكار غيرفعال و محيطمحور، امكان تشخيص دقيق حركات را در محيط هاي مختلف فراهم ميسازد.
هدف: هدف اصلي اين پژوهش، توسعه يك سامانه هوشمند و مقاوم با نام »شبكه توجه دوگانه و ادغام
متقاطع (DACN» (است كه بتواند با غلبه بر چالش تغيير محيط و كاربر(Domain-Cross (، حركات
متداول دست را بدون نياز به آموزش مجدد گسترده، در محيطهاي ناشناخته با دقت باال شناسايي كند.
روششناسي: در اين تحقيق، از يك معماري يادگيري عميق دو جرياني مبتني بر -18ResNet براي
پردازش موازي اطالعات فاز و طيف جابجايي داپلر (DFS (استفاده شده است. مدل پيشنهادي با
بهرهگيري از مكانيزمهاي توجه كانالي و مكاني تقويت شده و عملكرد آن بر روي سه مجموعه داده
استاندارد ARIL ، CSIDAو 3.0Widar در قالب 180 سناريوي آزمايشي مختلف مورد ارزيابي قرار
گرفته است.
يافتهها: نتايج آزمايشها نشان داد كه مدل DACN به دقت ميانگين باالي 91 درصد در تشخيص
حركات دست دست يافته است. يافته ها حاكي از آن است كه تركيب اطالعات فاز و داپلر همراه با مكانيزم
توجه، مقاومت سيستم را در برابر تداخالت چندمسيره (Multipath (و نويزهاي محيطي بهطور
چشمگيري افزايش ميدهد.
نتيجهگيري: اين پژوهش ثابت كرد كه استفاده از مكانيزمهاي توجه دوگانه در شبكههاي عصبي عميق،
راهكاري كارآمد براي حل مشكل عدم تعميمپذيري در حسگري وايفا است. سامانه توسعهداده شده با
دقت و پايداري باال، پتانسيل زيادي براي بهكارگيري در خانههاي هوشمند و مراقبتهاي بهداشتي
غيرتماسي دارد
|
|
Researchers
|
aref amani (Student) , Ahmad Keshavarz (First primary advisor) , Hojat Ghimatgar (Second primary advisor)
|