1. 研究背景 近年来，随着深度学习的广泛应用，许多新型的研究快速展开。

当今，无线信号被广泛用于人体行为识别的研究。

但是往常的研究结果在识别设备，识别算法上具有一定的局限性，需要有更多的突破和创新。

例如当前的基于无线信号的人体检测多采用CSI(Channel State Information)提供的信息，依靠人体不同的行为对无线信号的物理特征造成不同的干扰来识别这些行为。

但是，这些无线信号的采集设备一般比较昂贵，不能广泛应用，只能在实验室中小规模实验。

本研究欲采用ZigBee这一低成本设备来采集无线信号的信息，降低实验和运用成本。

同时以往的人体行为识别算法具有准确率较低，不能适应多种场景等缺点，导致不能广泛运用。

因此会在许多场景采用人工监视的方法来工作，而视频识别需要采集视频信息，成本较高，方法也比较有限。

此时设想把人体行为识别和深度学习结合，利用当下比较热门的深度学习来研究人体行为识别，提高识别准确率等。

深度学习具有许多优点，如训练出模型可以复用，算法成本可以接受，且准确率较高。