在物联网技术飞速发展的背景下，人体行为识别作为关键服务之一，被广泛应用于医疗保健、智能家居等领域。射频识别（Radio Frequency Identification，RFID）技术因其低成本、轻便、体积小且无需电池操作等优势，受到了广泛关注。然而，现有的基于标签的人体行为识别解决方案主要依赖于标签携带的场景，且RFID标签提供的信息有限，主要针对静态读取场景。针对以上问题，本文探讨了无标签场景下的RFID行为识别方案。本文首先通过实验探究无标签场景下RFID行为识别存在的挑战，并发现频谱数据中蕴含丰富的信息，这些信息可以用于识别人体行为。针对这些挑战，本文对深度学习在RFID行为识别中的应用进行详细列举与阐述，系统概述RFID行为识别与深度学习技术融合的相关研究。
关键词：RFID；行为识别；深度学习
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
无标签场景的RFID行为识别存在的挑战
目前商业标签阅读器提供的编程接口有限，通过LLRP（低层阅读器协议）只提供基础原始数据如RSSI和相位角，这些数据广泛应用于RFID应用。无标签配置下，静止RFID标签与固定的阅读器之间的通信链路可能因人的活动受干扰，影响RSSI或相位读数。TASA通过测量RSSI变化推断人体的移动［1］，但原始RSSI对小幅度移动的信息可能不可靠。我们室内实验，标签置于1米距离，面向偏振天线，不同速度下握手，理论应见RSSI或相位变化。图1(a)显示RSSI值几乎不变，表明RSSI对于像握手这样的微小动作并不敏感。相比之下，图1(b)显示在手部移动时相位读数确实发生了变化，此现象值得进一步研究。
(a)接收信号强度的不敏感性
(b)相位敏感但不够准确
图1 基于接收信号强度和相位识别的局限性
我们通过实验展示了在密集多路径环境中隐藏的丰富人体行为信息。在无标签配置的情况下，如果有多个参考标签，且能获取每个标签信号的传播路径描述，可以实现高灵敏度的人体活动识别。在TagFree系统中，通过部署多个参考标签来增加多路径密度，并采用MUSIC（多重信号分类）算法对原始相位数据进行预处理。我们在四天线阵列前2米处放置一个静止标签，并利用Thingmagic阅读器持续收集其读数，以展示无活动、坐着、行走及跑步四种状态下的信号频谱。频谱展示了信号到达方向随时间的变化，其中高振幅的角度以黄色标出。图2(a)展示了无活动状态下的场景，此时环境中仅有一条明显的直接路径。图2(b)描绘了坐着状态，此时产生的信号路径超过两条，且这些路径相对稳定。图2(c)展示在行走状态下，实验对象在天线阵列与标签间往返移动，其频谱中的多路径模式与坐着时有明显区别。图2(d)展示了跑步状态下的频谱，信号峰值在其中频繁变动。通过分析参考标签的信号多路径频谱，我们能够量化多路径信号模式与特定人体活动之间的关联性。
(a)无活动时的频谱
(b)坐着时的频谱
(c)行走时的频谱
(d)奔跑时的频谱
图2 各状态下的频谱
总体而言，信号功率和角度都与人体活动密切相关，并且对多条不同级别的路径产生显著影响。然而，通过MUSIC算法估算得到的到达角（AoA）谱中峰值幅度呈现出概率特性，因此，谱数据中的峰值幅度并不一定代表实际的信号功率。特别是在“无活动”状态下，特定路径的信号功率应当保持稳定。由于信号间相互干扰及噪声的影响，这些信号与人体活动之间的关联通常难以直接辨识。为应对这些挑战，我们需要一个能从海量频谱数据中动态且精确地识别并抽取关键特征的解决方案。为此，我们设计了一种基于深度学习的方法，该方法不仅能有效揭示常规活动的特征，还能拓展应用于识别更加复杂的行为模式。
2
RFID行为识别与深度学习技术的融合
带标签的RFID行为识别方法要求目标物体必须携带能发射或反射射频信号的标签。然而，在一些特定情况下，如入侵者检测系统，个体可能会刻意抛弃任何可被追踪的设备；在老年人护理领域，由于老年人普遍不愿意携带移动设备、穿着智能穿戴设备或携带RFID标签，这种方法同样面临挑战。这些现实生活中的难题促进了对无标签活动识别技术的研究兴趣，该技术旨在不依赖目标物体上的任何附加设备即可实现活动识别。因此，无标签活动识别技术已成为物联网研究领域的一个热点。
图3展示了TagFree系统的基本思路。在图3(a)中，频谱显示存在从静止标签出发的三条路径，其中静止标签1以相同的角度和功率，连续反射来自40°、90°和125°的信号，当人阻挡了40°处的路径1后，不仅该路径的峰值降低，其他路径的峰值幅度和角度亦发生变化。图3(b)说明了另一个情况，即区域内有许多标签。观察发现，随着超过五个标签的增加，信号路径数量迅速上升。因此，这种丰富而大量的多路径信号信息为使用RFID标签进行活动识别提供了机会。信号之间相互交织，并偶尔被噪声掩盖，导致其与人体活动间的关系模式难以被直接观察。
(a)场景一
(b)场景二
图3 TagFree基本思路
在物联网领域，面对高频且复杂的数据挑战，传统机器学习方法，例如支持向量机（SVM），在进行人体活动识别时往往面临诸多识别困难。相比之下，深度神经网络能够有效地从众多传感器收集到的高维复杂数据中提取出人体的行为模式，并深入分析时间频谱数据中的行为信息。这一能力对于确保行为识别的准确性至关重要，因为它极大地丰富了可用于活动识别的信息量。因此，越来越多的研究者开始关注深度学习技术在人体活动识别领域的应用潜力。
图4 TagFree框架
深度神经网络（DNN）是一种受生物神经系统启发的先进机器学习模型，它通过模拟人脑神经元的工作方式，实现了高度复杂的特征提取和模式识别任务。这种网络结构由多层神经元组成，每一层都负责从输入数据中学习不同层级的特征。随着网络层数的增加，DNN能够捕捉到数据的更多隐藏模式。Vepakomma等研究者［2］通过基于深度学习的数据分析和利用佩戴设备的多模态感知，对大量细致和复杂活动进行分类，提高了多用户、不同场景的行为识别准确率。
卷积神经网络（CNN）是一种基于深度学习的神经网络结构，通过模拟人类视觉系统的处理方式［2］广泛应用于图像、语音和文本等多模态数据的处理与分析。CNN利用卷积层提取局部特征，池化层降维并保持平移不变性，有效解决多层感知机的局部性、平移不变性等问题。Ha等研究者提出了一种新型的多模态CNN架构，该架构在卷积层和池化层中使用二维（2D）卷积核［3］，同时捕获时间序列以及传感器空间的局部依赖性，在性能上展现了显著的提升，而Jiang等研究者通过将加速度计和陀螺仪信号序列组合成活动图像，并利用深度卷积神经网络自动学习特征［4］，实现了在低计算成本下高准确性的人体活动识别。
循环神经网络（RNN）在语音识别和自然语言处理领域具有广泛应用，其工作机制依赖于神经元间的时间相关性，通过引入时序特征，RNN能够有效处理序列数据，捕捉上下文信息。此外，RNN还采用参数共享策略，降低了模型复杂度，提高了训练效率。其中，LSTM引入门控机制来控制信息的流动，包括输入门、遗忘门和输出门［5］，这些门控能够有效地解决RNN在处理长序列时的梯度消失或爆炸问题，使得网络更加稳定和高效。Inoue等研究者［7］提出了一种基于深度循环神经网络（DRNN）的人体行为识别方法，并研究了不同的网络架构和参数组合，得出了一个性能较优的模型，该模型能够高效地处理人体活动识别任务。Edel等研究者［7］提出了一个采用二值化权重和激活函数的BLSTM-RNN模型，适用于资源受限的移动设备，用于精细定位技术如健康监测和室内位置跟踪，具有高效性和准确性。
Transformer模型是一种基于自注意力机制［6］的深度学习架构，它通过计算序列中各元素间的相关性来捕捉长距离依赖关系。这种模型特别适用于处理自然语言处理任务，如机器翻译和文本生成，因其设计允许模型同时考虑序列中的全部元素，从而有效提升了处理效率和准确性。Liu等研究者［8］设计了一个基于Transformer的模型来提取其时间特征，并使用残差连接的多头自注意力机制生成隐藏表示，同时利用多尺度卷积块捕获不同尺度的特征，从而实现人与人之间交互行为的识别。
图5 TransTM框架
3
总 结
这篇文章主要探讨了在无标签场景下利用RFID进行人体行为识别。文章首先探讨了无标签RFID行为识别面临的挑战，如商业阅读器接口的限制、人体活动对信号的干扰以及RSSI和相位读数的不可靠性等。通过实验表明，尽管RSSI对微小动作不敏感，但相位读数的变化揭示了人体移动的信息，此外在密集多路径环境中，通过分析RFID标签的信号多路径频谱，可以量化人体活动与多路径信号模式之间的关联性。为了克服这些挑战，文章系统概括了基于深度学习的方法，包括深度神经网络（DNN）、卷积神经网络（CNN）和循环神经网络（RNN）等，旨在从海量频谱数据中动态且精确地提取关键特征。这种方法能够有效揭示常规活动的特征，并拓展应用于更复杂行为模式的识别，在处理高维复杂数据、提取时间和空间中的行为模式以及提高活动识别准确性方面具有显著优势
4
参考文献
［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］张洪文.基于深度学习的图像识别技术在电子信息领域的应用研究［J］.信息产业报道,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］李阁,刘敬坡.基于卷积神经网络的目标检测与识别模型优化［J］.信息产业报道, 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.