如何用WiFi信号感知人体行为？SenseFi开源基准库完整指南 🚀

项目简介：WiFi-CSI-Sensing-Benchmark

WiFi-CSI-Sensing-Benchmark（简称SenseFi）是首个基于PyTorch实现的WiFi CSI人体感知开源基准库，让开发者和研究人员能轻松探索WiFi信号在行为识别、身份验证等场景的潜力。该项目在四大公开数据集上评估了MLP、CNN、RNN及Transformer等10+种深度学习模型，相关研究已发表于Cell Press《Patterns》期刊。

📚 核心功能与技术架构

支持的深度学习模型全家桶

SenseFi提供开箱即用的模型库，涵盖主流神经网络架构：

• 基础模型：MLP、LeNet、ResNet系列（18/50/101）
• 序列模型：RNN、GRU、LSTM、BiLSTM、CNN+GRU
• 前沿模型：ViT（视觉Transformer）

模型源码路径：NTU_Fi_model.py、widar_model.py、self_supervised_model.py

Transformer模型架构解析 🔍

ViT模型通过PatchEmbedding将CSI信号转换为序列数据，结合多头注意力机制实现特征提取。其核心模块结构如下：

WiFi CSI信号处理的TransformerEncoderBlock结构，包含多头注意力和前馈网络

📊 四大数据集全面覆盖

UT-HAR：7种日常行为识别

• 数据规格：1×250×90 CSI矩阵，3977训练样本/996测试样本
• 行为类别：躺下、摔倒、行走、拾取、跑步、坐下、站起
• 源码路径：UT_HAR_model.py

NTU-Fi系列：大规模活动与身份数据集

• NTU-Fi_HAR：6种动态行为（box/circle/clean等），3×114×500 CSI尺寸
• NTU-Fi-HumanID：14人步态身份识别，支持无接触式身份验证

Widar3.0：22种手势精细识别

包含22类手势（推拉/滑动/数字绘制等），BVP数据尺寸22×20×20，训练样本34926个。

WiFi CSI手势识别数据集包含的22种精细动作类别

数据集样本可视化

NTU-Fi数据集的CSI信号样本展示：

不同人体行为对应的WiFi CSI振幅图谱，展现信号特征差异

⚡ 快速上手指南

环境准备

# 克隆项目仓库
git clone https://gitcode.com/gh_mirrors/wif/WiFi-CSI-Sensing-Benchmark
cd WiFi-CSI-Sensing-Benchmark

# 安装依赖
pip install -r requirements.txt

监督学习模式启动

# 基础用法
python run.py --model [模型名] --dataset [数据集名]

# 示例：用ResNet18训练NTU-Fi_HAR数据集
python run.py --model ResNet18 --dataset NTU-Fi_HAR

自监督学习创新方案

无需标注数据即可训练模型：

# AutoFi几何自监督学习（NTU-Fi HAR→HumanID迁移）
python self_supervised.py --model MLP

🌟 项目亮点

1. 全面性：覆盖4个数据集×10+模型的标准化评估流程
2. 易用性：统一API接口，一行命令完成训练测试
3. 先进性：支持自监督学习（AutoFi方法），降低数据标注成本
4. 可复现性：提供预训练权重与详细实验配置

📝 引用与文档

• 论文引用：SenseFi: A Library and Benchmark on Deep-Learning-Empowered WiFi Human Sensing
• 自监督学习方法：AutoFi几何自监督学习

无论是智能家居安防、健康监测还是人机交互，SenseFi都能为你的WiFi感知项目提供坚实基础。立即克隆项目，开启无线感知的探索之旅吧！ 🔍✨