人的活动会引起无线Wi-Fi信号传播路径的改变，这些变化可以通过物理层的信道状态信息（Channl Static Information）反映。通过对采集到的无线信道状态信息进行分析，实现实时的，无需携带特殊的设备的动作及行为细粒度的检测。该检测过程有效利用常用信号处理方法配合数据挖掘的算法。该研究方向是当今物联网及移动计算领域的热点问题。可以广泛应用于室内定位、安全监控、针对老人和小孩的家庭医疗监护、新型人机交互等。如左图发射端（Access points）发射无线信号，传输的多路径信号经过运动的人体、地面、天花板等反射被接收端（Monitoring points）接收，经过对接收到的信道状态信息的一系列智能化分析，可最终识别人的动作、姿势等。

在自然语言处理领域，大语言模型（Large Language Model, LLM）通过深度学习算法，在海量文本数据上进行训练，具备了对复杂语言模式的理解与生成能力。它可以应用于多种任务，如机器翻译、对话系统、文本生成和情感分析等。当前，基于Transformer架构的大语言模型如GPT、BERT等，已经显著提升了自然语言处理的效果。通过不断优化模型结构和训练方法，我们正在探索如何让大语言模型更好地理解上下文，提高推理能力，并且在多个领域实现更广泛的应用。

人的行为，如手势、呼吸、步态等都携带与特定人相关的特征，该特征往往被用来进行用户身份认证。基于非接触感知设备的身份认证在智能家居、智慧医疗等领域得到广泛应用。但是存在着无线信号受噪声干扰严重，严重影响身份认证结果。我们正在探索如何降低噪声，在提升认证准确性的同时提高系统的鲁棒性和泛化性。