【论文】稀疏脉冲编码通道响应用于节能人体活动识别

Source: arXiv - 2602.06766v1

概述

本文介绍了一种 脉冲卷积自编码器 (SCAE)，它学习原始信道冲激响应 (CIR) 的超稀疏二进制脉冲表示，并将其与脉冲神经网络 (SNN) 结合，用于识别人体活动。通过去除昂贵的多普勒域预处理步骤并利用 SNN 的事件驱动特性，作者在几乎达到最先进水平的准确率的同时，大幅降低了活跃运算次数——使该方案对电池受限的边缘设备具有吸引力。

关键贡献

• Joint SCAE‑SNN architecture 同时学习 CIR 数据的脉冲编码压缩和用于人体活动识别（HAR）的分类器。
• Elimination of Doppler preprocessing，使系统能够直接在原始信道响应上工作。
• High sparsity：学习得到的脉冲列平均稀疏度为 81 %，相较于密集深度学习基线大幅减少乘加（MAC）运算。
• Competitive performance：端到端 SCAE‑SNN 达到约 96 % 的 F1 分数，匹配结合传统信号处理与深度分类器的混合流水线。
• Open‑source implementation（GitHub）实现可复现性，并可在神经形态硬件或低功耗微控制器上快速原型开发。

方法论

1. Data acquisition – 作者使用商业 ISAC（集成感知与通信）无线电收集原始 CIR 测量，在受试者执行一组预定义活动（例如，走路、坐下、跌倒）时进行。
2. Spike‑encoding autoencoder – 训练一个卷积自编码器来重建输入的 CIR。编码器的输出不是使用实值激活，而是通过 threshold‑based spiking function，生成二进制脉冲序列。损失函数结合了重建误差和稀疏正则项，使大多数神经元保持静默。
3. Spiking classifier – 编码器产生的脉冲序列输入到一个浅层脉冲卷积神经网络（SNN）。该 SNN 使用泄漏积分‑发放（LIF）神经元，并通过代理梯度反向传播进行训练，这是一种为不可微分的脉冲函数近似梯度的技术。
4. Joint training – 自编码器和分类器一起优化，使编码器学习到既紧凑（高稀疏）又对 HAR（人体活动识别）具有判别性的表征。
5. Evaluation – 将模型与一种“混合”基线进行基准比较，后者首先提取多普勒特征（通过 FFT），然后使用传统 CNN 进行分类。能效通过统计每次推理所需的脉冲数量（即活跃的 MAC）来估算。

结果与发现

• SCAE‑SNN 在分类质量上与混合方法相匹配，同时使用 五倍更少的脉冲，这直接转化为事件驱动硬件上更低的能耗。
• 在分类 前置 加入自动编码器可提升 SNN 和传统 CNN 的准确率，证实了学习到的稀疏表示即使对非脉冲模型也有益。
• 对学习到的脉冲模式进行可视化显示，每种活动仅有少数时频区域被激活，表明网络能够自动发现 CIR 中最具信息量的部分。

Practical Implications

• Edge‑friendly HAR：开发者可以将 SCAE‑SNN 嵌入超低功耗微控制器或神经形态芯片（例如 Loihi、英特尔的神经形态平台），实现连续活动监测而不耗尽电池。
• Simplified signal chain：通过去除多普勒 FFT 步骤，系统设计者可以降低固件复杂度、内存占用和延迟——这对实时物联网部署至关重要。
• Scalable to other ISAC tasks：相同的脉冲编码策略可以重新用于手势检测、占用感知，甚至非射频模态（例如声学通道响应）。
• Open‑source code：提供的仓库包含训练脚本、预训练模型和轻量级推理引擎，降低快速原型开发和集成到现有传感器堆栈的门槛。
• Potential for on‑device learning：由于编码器产生稀疏脉冲，增量或少样本更新可以在设备上以适度计算完成，实现个性化的 HAR 模型。

局限性与未来工作

• 硬件验证：能量节省是根据脉冲计数估算的；需要在神经形态或 MCU 硬件上进行实际测量，以确认真实的收益。
• 数据集多样性：实验仅聚焦于有限的活动集合和单一的 ISAC 平台；在不同无线电、环境和用户群体上进行更广泛的测试将提升泛化能力。
• 模型规模与稀疏性权衡：尽管稀疏度很高，自动编码器仍会增加参数；未来工作可探索超紧凑的编码器设计或剪枝技术。
• 在线适应：将框架扩展至支持持续学习（例如在不从头重新训练的情况下处理新活动）仍是一个未解决的挑战。

总体而言，本文展示了 基于脉冲的原始信道数据编码 能够在极低的能耗预算下实现高精度的人体活动识别（HAR），为下一代智能环境中普遍、无电池的感知提供了切实可行的路径。

作者

• Eleonora Cicciarella
• Riccardo Mazzieri
• Jacopo Pegoraro
• Michele Rossi

论文信息

• arXiv ID: 2602.06766v1
• 分类: cs.NE
• 出版日期: 2026年2月6日
• PDF: 下载 PDF