حجت قیمت گر

زمینه: تشخیص حرکات بدن، بهویژه حرکات دست، نقشی کلیدی در ایجاد رابطهای کاربری غیرتماسی و هوشمند ایفا میکند. برخالف روشهای سنتی مبتنی بر دوربین که با چالشهای حریم خصوصی و وابستگی به نور مواجه اند، استفاده از اطالعات وضعیت کانال (CSI (در سیگنالهای وایفا به عنوان یک راهکار غیرفعال و محیطمحور، امکان تشخیص دقیق حرکات را در محیط های مختلف فراهم میسازد. هدف: هدف اصلی این پژوهش، توسعه یک سامانه هوشمند و مقاوم با نام »شبکه توجه دوگانه و ادغام متقاطع (DACN» (است که بتواند با غلبه بر چالش تغییر محیط و کاربر(Domain-Cross (، حرکات متداول دست را بدون نیاز به آموزش مجدد گسترده، در محیطهای ناشناخته با دقت باال شناسایی کند. روششناسی: در این تحقیق، از یک معماری یادگیری عمیق دو جریانی مبتنی بر -18ResNet برای پردازش موازی اطالعات فاز و طیف جابجایی داپلر (DFS (استفاده شده است. مدل پیشنهادی با بهرهگیری از مکانیزمهای توجه کانالی و مکانی تقویت شده و عملکرد آن بر روی سه مجموعه داده استاندارد ARIL ، CSIDAو 3.0Widar در قالب 180 سناریوی آزمایشی مختلف مورد ارزیابی قرار گرفته است. یافتهها: نتایج آزمایشها نشان داد که مدل DACN به دقت میانگین باالی 91 درصد در تشخیص حرکات دست دست یافته است. یافته ها حاکی از آن است که ترکیب اطالعات فاز و داپلر همراه با مکانیزم توجه، مقاومت سیستم را در برابر تداخالت چندمسیره (Multipath (و نویزهای محیطی بهطور چشمگیری افزایش میدهد. نتیجهگیری: این پژوهش ثابت کرد که استفاده از مکانیزمهای توجه دوگانه در شبکههای عصبی عمیق، راهکاری کارآمد برای حل مشکل عدم تعمیمپذیری در حسگری وایفا است. سامانه توسعهداده شده با دقت و پایداری باال، پتانسیل زیادی برای بهکارگیری در خانههای هوشمند و مراقبتهای بهداشتی غیرتماسی دارد