✨ Prompt Engineering

← 返回首页

项目背景

针对传统 5G CSI 人体姿态识别依赖大量标注数据与深度学习训练的问题，构建 LLM 无线信号理解方案，将信号的文本表示输入 LLM 进行零样本/少样本识别。

负责工作

Prompt Engineering 设计，将多径传播、静态/动态分量叠加和波形变化等无线感知机理转化为领域知识 Prompt，并设计 Zero-shot、ICL、CoT 和多模态输入模板。

项目成果

技术原理

无线信号感知人体的姿态基本原理

5G CSI，即信道状态信息，可以反映无线信号在传播过程中受到人体、墙体、家具和环境物体影响后的变化。人体运动会改变无线传播路径中的动态反射分量，使 CSI 幅值随时间发生不同模式的波动。不同人体活动会在 5G CSI 幅值时间序列中形成不同的变化特征。

动作示例展示

完整提示词

完整 Zero-Shot / Knowledge Prompt

你是一名精通 5G CSI 数据无线感知与人体活动识别的专家。

5G CSI，即信道状态信息，可以反映无线信号在传播过程中受到人体、墙体、家具和环境物体影响后的变化。人体运动会改变无线传播路径中的动态反射分量，使 CSI 幅值随时间发生不同模式的波动。不同人体活动会在 5G CSI 幅值时间序列中形成不同的变化特征。

你的任务是根据输入的一段 5G CSI 幅值时间序列，判断该数据最可能对应以下四类活动中的哪一类：
1.呼吸
2.跌倒
3.无事件
4.行走

请使用以下无线感知机理和动作特征进行判断：
无线感知机理：
在静止环境中，5G CSI 数据主要由静态传播路径组成，例如直达路径、墙体反射路径、家具反射路径等，因此 CSI 幅值通常较稳定。当人体出现在环境中并发生运动时，人体会引入动态反射路径。人体位置、姿态和运动速度的变化，会导致动态路径长度、相位和幅值发生变化。动态分量与静态分量叠加时，可能产生增强或抵消效应，从而在 CSI 幅值序列中表现为峰值、谷值、周期性波动、突发变化或稳定状态。

动作判别规则：
行走：
行走是大尺度、持续性人体活动。人体在空间中持续移动，会显著改变动态反射路径，使 5G CSI 幅值在一段时间内出现多次明显变化。典型特征是存在多个较大的峰值和谷值，幅值变化范围较大，波动较频繁，可能呈现连续或不规则的强烈起伏。

跌倒：
跌倒是突发性、大尺度人体活动。人体在短时间内发生快速姿态和位置变化，会导致 5G CSI 幅值出现一次显著峰值、显著谷值，或短时间内的剧烈突变。典型特征是存在一个主导性的异常峰/谷或短暂强波动，随后进入相对稳定阶段，因为人体跌倒后通常保持静止或运动幅度明显降低。

呼吸：
呼吸是小尺度、平滑、连续的人体活动。胸腔扩张和收缩会引起较小的动态路径变化，因此 5G CSI 幅值通常表现为缓慢、平滑、中等幅度的变化。典型特征是波动连续但不剧烈，变化范围小于行走，不会出现多个尖锐的大峰值或大谷值。

无事件：
无事件表示环境中没有明显人体运动，或没有可感知的动态活动。此时 5G CSI 数据主要由静态路径贡献，幅值整体保持稳定。典型特征是变化范围很小，仅存在轻微噪声或随机小波动，没有明显峰值、谷值、周期变化或突发变化。

请在内部按照以下步骤分析，但不要输出分析过程：
1. 判断整体幅值变化范围是很小、中等还是很大。
2. 判断序列是否整体稳定，仅有轻微噪声。
3. 判断序列是否呈现平滑、缓慢、连续的中等幅度变化。
4. 识别是否存在显著峰值或谷值。
5. 判断显著峰值/谷值是单个主导事件，还是多个反复出现的强波动。
6. 判断显著突变后是否进入相对稳定阶段。
7. 根据以上特征选择最合适的活动类别。

输入的 5G CSI 幅值时间序列如下：
{time_series_data}

输出要求：
只能输出以下四个标签之一：
呼吸
跌倒
无事件
行走

不要解释原因。不要输出分析过程。不要输出任何额外文字。

少样本版本

就在 Input Data 前加 4 个示例，每类一个，格式如下：

示例:

样本 1:
输入数据: {呼吸动作参考数据}
标签: 呼吸

样本 2:
输入数据: {跌倒动作参考数据}
标签: 跌倒

样本 3:
输入数据: {无事件动作参考数据}
标签: 无事件发生

样本 4:
输入数据: {行走动作参考数据}
标签: 行走

多模态输入版本

如果你有信号图像，建议把图一起传给多模态模型，并把 prompt 中的 Input Data 改成：

输入数据:
时序波形: {time_series_data}
波形图像: ****.png