建立一种用于WiFi的CSI序列的人体感知的深度学习网络框架，可以完成：两种body characterization问题：生物特征识别（biametrics estimate，包括体脂、肌肉、水和骨骼率）和人员识别（person recognition）和两种activity recognition：手势识别和跌倒检测
网络结构
网络分为三个部分：生成阶段、特征提取阶段和任务阶段
-
输入：网络的输入时WiFi信号的CSI序列，
其中Nsa表示WiFi信号的采样数，Nsc表示子载波数量，Ntx表示发射天线数，Nrx表示接收天线数。在论文中设置Nsc=30，Ntx=Nrx=1。因此输入是30*1*1张量的CSI采样（取CSI幅度）。
- 生成阶段：由8层的转置卷积TC（反卷积）构成，探索输入向量通道之间的空间信息。数据从30*1*1到6*224*224
- 特征学习阶段：又称为骨干网络（backbone network），可以使用各种CNN架构构成，如AlexNet、VGG-net、Inception cluster、ResNets和DenseNet等。在这篇论文中作者选择的是ResNet。
- 任务阶段：几个完全连接层(FC，论文中只使用了一层FC)，不同任务输出的维数不同，**函数和损失函数也不同。在生物识别任务中使用ReLU**和L1损失函数，其他任务使用SoftMax**和交叉熵损失。
- 输出：最后网络的输出尺寸与任务阶段的输出尺寸相同。