WiFi CSI LSTM: 基于LSTM的处理WiFi CSI数据的判断人体姿态的深度学习模型

1月18日，北京，聊聊2025如何加入技术开发？

加入 Gitee

与超过 1200万开发者一起发现、参与优秀开源项目，私有仓库也完全免费：）

该仓库未声明开源许可证文件（LICENSE），使用请关注具体项目描述及其代码上游依赖。

克隆/下载

upd info c62b359

DataProcessing.py

Loading...

README

# 基于LSTM的通过识别WiFi CSI数据的人体动作识别模型

> 项目所有权属于实验室，本仓库仅用于学习交流，如有侵权请联系删除。

## 运行项目方法

运行项目方法

1. 在[附件中下载数据集](https://gitee.com/QMMMS/wi-fi-csi-lstm/releases/tag/V0.1)，解压后放在data文件夹下
2. 运行 `Training.py` 训练模型

如果要使用GPU训练，将`Training.py` 的以下行解除注释：

```python
os.environ["CUDA_VISIBLE_DEVICES"] = '0'
labels = labels.cuda()
images = images.cuda()
data = data.cuda()
label = label.cuda()
model = model.cuda()
```

## 实验结果

自制数据集：站立、行走、慢跑、喝水、打扫、跌倒、站-坐、站-蹲、站-弯腰、坐-躺下（10分类）

在 batch_size=64 的设置下，训练集一共 68 个批次。使用CPU训练，大约40s可以训练完一个epoch。使用RTX4090 GPU训练，大约5min可以训练完120个epoch。4G显存足够。

测试集的最高准确率为0.1176，训练集最高准确率为0.116（然而这是10分类任务。。。）

训练集准确率曲线如下（纵轴为准确率，横轴为epoch）：

![](./img/tra.png)

测试集准确率曲线如下（纵轴为准确率，横轴为epoch）：

![](./img/ta.png)

损失曲线如下（纵轴为交叉熵损失，横轴为batch）：

![](./img/loss.png)

基于LSTM的处理WiFi CSI数据的判断人体姿态的深度学习模型

Python

取消

马建仓 AI 助手

尝试更多

代码解读

代码找茬

代码优化

Python

1

https://gitee.com/QMMMS/wi-fi-csi-lstm.git

git@gitee.com:QMMMS/wi-fi-csi-lstm.git

QMMMS

wi-fi-csi-lstm

WiFi CSI LSTM

master