La inteligencia artificial (AIT), que conecta los beneficios de la inteligencia artificial y la tecnología de Internet de las cosas, se ha vuelto ampliamente popular en los últimos años. A diferencia de la configuración de IoT ordinaria, en la que los dispositivos recopilan y transfieren datos para procesar en otra ubicación, los dispositivos Aoot obtienen datos localmente y en tiempo real, lo que les ayuda a tomar decisiones inteligentes. Esta tecnología recibió aplicaciones generalizadas en fabricación inteligente, seguridad inteligente para el hogar y monitoreo de atención médica.
En la tecnología Smart Home AIT, la identificación precisa de la actividad humana es muy importante. Ayuda a los dispositivos inteligentes a identificar diferentes tareas, como la cocción y el ejercicio. Según esta información, el sistema AIT puede adaptarse a la iluminación o cambiar automáticamente la música, lo que mejora la experiencia del usuario al tiempo que garantiza la eficiencia energética. En este contexto, la identidad del movimiento basado en Wi -Fi es bastante prometedora: los dispositivos WI -FI son comunes en todas partes, aseguran la confidencialidad y son eficientes.
Recientemente, en un nuevo artículo de investigación, un equipo de investigadores, encabezado por el profesor Guangal Jeevan, del Colegio de Tecnología de la Información de la Tecnología de Incheon en la Universidad Nacional de Incheon en Corea del Sur, tiene más de una red de fusión de Spectogram (M SF Net ha introducido un nuevo Ocho marco llamado SF-Net. Identificación de la actividad humana basada en Wi -Fi. Sus búsquedas se pusieron a disposición en línea el 13 de mayo de 2024 y se publicaron en el Volumen 11, IEE Internet of Things Journalins 24 el 15 de diciembre de 2024.
El profesor Jeon explicó la motivación detrás de su investigación. “Como una aplicación basada en común, la identidad de la actividad humana basada en Wi -Fi se está volviendo cada vez más popular en los hogares inteligentes. Sin embargo, las identidades basadas en Wi -Fi a menudo funcionan inestables debido a la interferencia ambiental. El propósito era superar este problema. “
En esta idea, los investigadores desarrollaron un fuerte marco de aprendizaje profundo MSF-Nate, que adquiere actividad obesa y buena a través de la información del estado del canal (CSI). Hay tres componentes principales del MSF-NET: una estructura de transmisión dual que incluye transformación más a corto plazo, así como un transformador húmedo discreto, un transformador y una rama de fusión enfocada. Aunque la estructura de doble flujo indica información anormal en CSI, los datos del transformador eliminan efectivamente los altos niveles de propiedades. Finalmente, el modelo Fusion Branch Cross promueve la fusión.
Los investigadores realizaron experimentos para verificar el rendimiento de su marco, demostró que hicieron datos de ciencia, Widar3.0, Ut-Har y Ntu-Hhar, y Datastes Ntu-Har, 91.82 %, 69.76 %, 85.91 %y 75.66 % tienen una puntuación de puntaje de moneda significativa. Estos valores, respectivamente, destacan el rendimiento más alto de la red MSF que las técnicas sofisticadas para identificar la actividad gruesa y excelente basada en datos de WI -FI.
“Las técnicas de fusión de frecuencia multimodal han mejorado significativamente la precisión y el rendimiento en comparación con las tecnologías existentes, lo que ha aumentado la posibilidad de aplicaciones prácticas. Esta investigación puede usarse en diferentes campos, como hogares inteligentes, medicamentos de mantenimiento y cuidado de ancianos, profesor, profesor, profesor, profesor, profesor Jeon dice que al analizar el movimiento del consumidor y establecer un sistema de monitoreo de salud no de cara a cara puede ayudar a mejorar la calidad de vida.
En general, se espera que la identificación de la actividad utilizando WI -FI, la tecnología Conorgational de IoT y AI, mejore la vida de las personas a través de las instalaciones y la seguridad cotidianas.
