在物聯(lián)網(wǎng)技術(shù)飛速發(fā)展的背景下，人體行為識別作為關(guān)鍵服務之一，被廣泛應用于醫(yī)療保健、智能家居等領域。射頻識別（Radio Frequency Identification，RFID）技術(shù)因其低成本、輕便、體積小且無需電池操作等優(yōu)勢，受到了廣泛關(guān)注。然而，現(xiàn)有的基于標簽的人體行為識別解決方案主要依賴于標簽攜帶的場景，且RFID標簽提供的信息有限，主要針對靜態(tài)讀取場景。針對以上問題，本文探討了無標簽場景下的RFID行為識別方案。本文首先通過實驗探究無標簽場景下RFID行為識別存在的挑戰(zhàn)，并發(fā)現(xiàn)頻譜數(shù)據(jù)中蘊含豐富的信息，這些信息可以用于識別人體行為。針對這些挑戰(zhàn)，本文對深度學習在RFID行為識別中的應用進行詳細列舉與闡述，系統(tǒng)概述RFID行為識別與深度學習技術(shù)融合的相關(guān)研究。

關(guān)鍵詞：RFID；行為識別；深度學習

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

無標簽場景的RFID行為識別存在的挑戰(zhàn)

目前商業(yè)標簽閱讀器提供的編程接口有限，通過LLRP（低層閱讀器協(xié)議）只提供基礎原始數(shù)據(jù)如RSSI和相位角，這些數(shù)據(jù)廣泛應用于RFID應用。無標簽配置下，靜止RFID標簽與固定的閱讀器之間的通信鏈路可能因人的活動受干擾，影響RSSI或相位讀數(shù)。TASA通過測量RSSI變化推斷人體的移動^［1］，但原始RSSI對小幅度移動的信息可能不可靠。我們室內(nèi)實驗，標簽置于1米距離，面向偏振天線，不同速度下握手，理論應見RSSI或相位變化。圖1(a)顯示RSSI值幾乎不變，表明RSSI對于像握手這樣的微小動作并不敏感。相比之下，圖1(b)顯示在手部移動時相位讀數(shù)確實發(fā)生了變化，此現(xiàn)象值得進一步研究。

(a)接收信號強度的不敏感性

(b)相位敏感但不夠準確

圖1    基于接收信號強度和相位識別的局限性

我們通過實驗展示了在密集多路徑環(huán)境中隱藏的豐富人體行為信息。在無標簽配置的情況下，如果有多個參考標簽，且能獲取每個標簽信號的傳播路徑描述，可以實現(xiàn)高靈敏度的人體活動識別。在TagFree系統(tǒng)中，通過部署多個參考標簽來增加多路徑密度，并采用MUSIC（多重信號分類）算法對原始相位數(shù)據(jù)進行預處理。我們在四天線陣列前2米處放置一個靜止標簽，并利用Thingmagic閱讀器持續(xù)收集其讀數(shù)，以展示無活動、坐著、行走及跑步四種狀態(tài)下的信號頻譜。頻譜展示了信號到達方向隨時間的變化，其中高振幅的角度以黃色標出。圖2(a)展示了無活動狀態(tài)下的場景，此時環(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)，此時產(chǎn)生的信號路徑超過兩條，且這些路徑相對穩(wěn)定。圖2(c)展示在行走狀態(tài)下，實驗對象在天線陣列與標簽間往返移動，其頻譜中的多路徑模式與坐著時有明顯區(qū)別。圖2(d)展示了跑步狀態(tài)下的頻譜，信號峰值在其中頻繁變動。通過分析參考標簽的信號多路徑頻譜，我們能夠量化多路徑信號模式與特定人體活動之間的關(guān)聯(lián)性。

(a)無活動時的頻譜

(b)坐著時的頻譜

(c)行走時的頻譜

(d)奔跑時的頻譜

圖2    各狀態(tài)下的頻譜

總體而言，信號功率和角度都與人體活動密切相關(guān)，并且對多條不同級別的路徑產(chǎn)生顯著影響。然而，通過MUSIC算法估算得到的到達角（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際的信號功率。特別是在“無活動”狀態(tài)下，特定路徑的信號功率應當保持穩(wěn)定。由于信號間相互干擾及噪聲的影響，這些信號與人體活動之間的關(guān)聯(lián)通常難以直接辨識。為應對這些挑戰(zhàn)，我們需要一個能從海量頻譜數(shù)據(jù)中動態(tài)且精確地識別并抽取關(guān)鍵特征的解決方案。為此，我們設計了一種基于深度學習的方法，該方法不僅能有效揭示常規(guī)活動的特征，還能拓展應用于識別更加復雜的行為模式。

2

RFID行為識別與深度學習技術(shù)的融合

帶標簽的RFID行為識別方法要求目標物體必須攜帶能發(fā)射或反射射頻信號的標簽。然而，在一些特定情況下，如入侵者檢測系統(tǒng)，個體可能會刻意拋棄任何可被追蹤的設備；在老年人護理領域，由于老年人普遍不愿意攜帶移動設備、穿著智能穿戴設備或攜帶RFID標簽，這種方法同樣面臨挑戰(zhàn)。這些現(xiàn)實生活中的難題促進了對無標簽活動識別技術(shù)的研究興趣，該技術(shù)旨在不依賴目標物體上的任何附加設備即可實現(xiàn)活動識別。因此，無標簽活動識別技術(shù)已成為物聯(lián)網(wǎng)研究領域的一個熱點。

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簽出發(fā)的三條路徑，其中靜止標簽1以相同的角度和功率，連續(xù)反射來自40°、90°和125°的信號，當人阻擋了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)說明了另一個情況，即區(qū)域內(nèi)有許多標簽。觀察發(fā)現(xiàn)，隨著超過五個標簽的增加，信號路徑數(shù)量迅速上升。因此，這種豐富而大量的多路徑信號信息為使用RFID標簽進行活動識別提供了機會。信號之間相互交織，并偶爾被噪聲掩蓋，導致其與人體活動間的關(guān)系模式難以被直接觀察。

(a)場景一

(b)場景二

圖3    TagFree基本思路

在物聯(lián)網(wǎng)領域，面對高頻且復雜的數(shù)據(jù)挑戰(zhàn)，傳統(tǒng)機器學習方法，例如支持向量機（SVM），在進行人體活動識別時往往面臨諸多識別困難。相比之下，深度神經(jīng)網(wǎng)絡能夠有效地從眾多傳感器收集到的高維復雜數(shù)據(jù)中提取出人體的行為模式，并深入分析時間頻譜數(shù)據(jù)中的行為信息。這一能力對于確保行為識別的準確性至關(guān)重要，因為它極大地豐富了可用于活動識別的信息量。因此，越來越多的研究者開始關(guān)注深度學習技術(shù)在人體活動識別領域的應用潛力。

圖4     TagFree框架

深度神經(jīng)網(wǎng)絡（DNN）是一種受生物神經(jīng)系統(tǒng)啟發(fā)的先進機器學習模型，它通過模擬人腦神經(jīng)元的工作方式，實現(xiàn)了高度復雜的特征提取和模式識別任務。這種網(wǎng)絡結(jié)構(gòu)由多層神經(jīng)元組成，每一層都負責從輸入數(shù)據(jù)中學習不同層級的特征。隨著網(wǎng)絡層數(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］通過基于深度學習的數(shù)據(jù)分析和利用佩戴設備的多模態(tài)感知，對大量細致和復雜活動進行分類，提高了多用戶、不同場景的行為識別準確率。

卷積神經(jīng)網(wǎng)絡（CNN）是一種基于深度學習的神經(jīng)網(wǎng)絡結(jié)構(gòu)，通過模擬人類視覺系統(tǒng)的處理方式^［2］廣泛應用于圖像、語音和文本等多模態(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的局部性、平移不變性等問題。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］，同時捕獲時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等研究者通過將加速度計和陀螺儀信號序列組合成活動圖像，并利用深度卷積神經(jīng)網(wǎng)絡自動學習特征^［4］，實現(xiàn)了在低計算成本下高準確性的人體活動識別。

循環(huán)神經(jīng)網(wǎng)絡（RNN）在語音識別和自然語言處理領域具有廣泛應用，其工作機制依賴于神經(jīng)元間的時間相關(guān)性，通過引入時序特征，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，降低了模型復雜度，提高了訓練效率。其中，LSTM引入門控機制來控制信息的流動，包括輸入門、遺忘門和輸出門^［5］，這些門控能夠有效地解決RNN在處理長序列時的梯度消失或爆炸問題，使得網(wǎng)絡更加穩(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（DRNN）的人體行為識別方法，并研究了不同的網(wǎng)絡架構(gòu)和參數(shù)組合，得出了一個性能較優(yōu)的模型，該模型能夠高效地處理人體活動識別任務。Edel等研究者^［7］提出了一個采用二值化權(quán)重和激活函數(shù)的BLSTM-RNN模型，適用于資源受限的移動設備，用于精細定位技術(shù)如健康監(jiān)測和室內(nèi)位置跟蹤，具有高效性和準確性。

Transformer模型是一種基于自注意力機制^［6］的深度學習架構(gòu)，它通過計算序列中各元素間的相關(guān)性來捕捉長距離依賴關(guān)系。這種模型特別適用于處理自然語言處理任務，如機器翻譯和文本生成，因其設計允許模型同時考慮序列中的全部元素，從而有效提升了處理效率和準確性。Liu等研究者^［8］設計了一個基于Transformer的模型來提取其時間特征，并使用殘差連接的多頭自注意力機制生成隱藏表示，同時利用多尺度卷積塊捕獲不同尺度的特征，從而實現(xiàn)人與人之間交互行為的識別。

圖5    TransTM框架

3

總　結(jié)

這篇文章主要探討了在無標簽場景下利用RFID進行人體行為識別。文章首先探討了無標簽RFID行為識別面臨的挑戰(zhàn)，如商業(yè)閱讀器接口的限制、人體活動對信號的干擾以及RSSI和相位讀數(shù)的不可靠性等。通過實驗表明，盡管RSSI對微小動作不敏感，但相位讀數(shù)的變化揭示了人體移動的信息，此外在密集多路徑環(huán)境中，通過分析RFID標簽的信號多路徑頻譜，可以量化人體活動與多路徑信號模式之間的關(guān)聯(lián)性。為了克服這些挑戰(zhàn)，文章系統(tǒng)概括了基于深度學習的方法，包括深度神經(jīng)網(wǎng)絡（DNN）、卷積神經(jīng)網(wǎng)絡（CNN）和循環(huán)神經(jīng)網(wǎng)絡（RNN）等，旨在從海量頻譜數(shù)據(jù)中動態(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)活動的特征，并拓展應用于更復雜行為模式的識別，在處理高維復雜數(shù)據(jù)、提取時間和空間中的行為模式以及提高活動識別準確性方面具有顯著優(yōu)勢

4

參考文獻

［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.基于深度學習的圖像識別技術(shù)在電子信息領域的應用研究［J］.信息產(chǎn)業(yè)報道,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)絡的目標檢測與識別模型優(yōu)化［J］.信息產(chǎn)業(yè)報道, 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.