MCMTNet：一种轻量级双流架构的高精度 WiFi 人体活动识别模型

李兆飞^{1 ,2} ，杨泽坤^{1, 2}，张奕杰^{1, 2}，郑锐宇^{1, 2}，李林鸿^{1, 2}

（1. 四川轻化工大学 自动化与信息工程学院，四川宜宾 644000；2. 智能感知与控制四川省重点实验室，四川宜宾64400） 

摘要：当前，基于计算机视觉的人体活动识别（HAR）技术愈发成熟，但其固有的侵入性、对光照条件的依赖等缺点也日益凸显。为此，基于WiFi信道状态信息（CSI）的人体活动识别技术因其成本低廉、适用范围广、非侵入性等优势，成为研究热点。然而，现有人体活动识别模型大多只侧重于对CSI数据的时序特征提取，往往忽略了CSI数据的空间特征；即使一些混合模型尝试同时提取时空特征，也依然存在时空特征提取不充分、时空特征融合不足以及不够轻量化等问题。因此，本文提出了一种基于MC-Mamba和Transformer双流架构的轻量化人体活动识别模型MCMTNet。模型分为时序流和载波通道流：时序流采用Mamba模型和多尺度卷积神经网络（CNN）构成MC-Mamba模块级联组成，用于建模时间序列的长依赖关系并实现对CSI数据的局部时序特征提取；载波通道流基于Transformer结构，专注于对不同载波及天线通道之间的相关性进行建模，实现对CSI数据的空间特征提取；最后对时序特征和空间特征进行有效降维融合。模型整体利用了Mamba架构在线性时间复杂度下处理长序列的优势，并结合高效的双流设计，从而在保证高精度的同时，显著降低了模型参数量与计算复杂度。在两个公开数据集上对模型进行了评估测试的结果表明：在Wiar数据集16种人类活动的识别准确率达到了97.54%；在UT-HAR数据集上的活动识别准确率达到了99.5%；MCMTNet模型与当前研究的几种先进方法相比都取得了较好的结果，在保持了较低的模型参数量与计算复杂度的同时还能实现高精度的人体活动识别，具有较高的实际应用价值。

关键词：Mamba，信道状态信息，人体活动识别，卷积神经网络，Transformer  

扫二维码浏览全文  

Cite this article

Li, Z., Yang, Z., Zhang, Y. et al. MCMTNet: A Lightweight Dual-Stream Model for High-Accuracy WiFi-Based Human Activity Recognition. J. Shanghai Jiaotong Univ. (Sci.) (2025). https://doi.org/10.1007/s12204-025-2874-9