基于无监督深度学习的无线信号异常检测：结合全局与局部周期性特征提取的时间-频率小波变换网络（Time-FWTNet）在人体行为识别中的应用与验证

　　本文提出一种新型周期性特征提取网络Time-FWTNet，融合傅里叶变换（Fourier Transform）与小波变换（Wavelet Transform），有效捕捉人体行为中全局与局部周期性特征。通过FWT-Block模块和Freq-CM结构，实现对高频/低频成分的分解与多尺度感知，在多个公开数据集（如AUST-HAR、USC-HAD等）上平均准确率达98%以上，显著提升人体行为识别（HAR）的鲁棒性与泛化能力。

　　

Highlight

Time-FWTNet创新性地整合了傅里叶变换与小波变换，突破传统方法在周期性特征提取中的局限性，实现对人体行为中全局周期性与局部细微波动的高效捕捉。

Method

本节详细介绍Time-FWTNet网络架构。该网络针对人体行为识别（HAR）问题，通过傅里叶变换提取全局周期性，并利用小波变换（Wavelet Transform）分解局部特征，将一维传感器数据转换为二维张量以进行更深层次分析。FWT-Block模块进一步分解全局特征，提取多尺度局部周期性，而Freq-CM模块结合卷积神经网络（CNN）与Mamba结构，针对高频动态动作与低频静态姿态进行特异性特征学习，扩大感受野并提升模型表达能力。

Experiments

我们在四个HAR相关数据集上验证Time-FWTNet的性能，包括自建数据集与三个公开数据集（AUST-HAR、USC-HAD、UCL-HAPT、PAMAP2）。实验详细说明了数据预处理、训练环境与参数设置。通过特征空间可视化、对比实验与消融研究，系统性评估周期性特征学习的有效性，结果一致表明Time-FWTNet在多项性能指标上优于现有模型。

Conclusion

Time-FWTNet作为一种新型人体行为识别框架，显式融合周期性特征学习，通过傅里叶变换捕捉全局周期性，利用Haar小波分解提取局部周期性，有效建模周期内（intra-cycle）与周期间（inter-cycle）动态变化。专设的FWT-Block与Freq-CM模块整合CNN与Mamba结构，协同提取静态与动态特征，为复杂行为识别提供更鲁棒且高效的解决方案。