Cómo las señales Wi-Fi revelan cada uno de tus movimientos: El avance del Graph AI en la detección pasiva

Tu cuerpo deja una estela invisible al moverse por el aire. Esta estela altera las ondas de radio que llenan tu hogar y crea una firma única. Los routers Wi-Fi estándar pueden detectar esta señal. La tecnología conocida como Información de Estado del Canal o CSI transforma los equipos de internet cotidianos en detectores de movimiento pasivos. Ofrece una alternativa respetuosa con la privacidad a las cámaras y dispositivos portátiles. Reconoce actividades como caminar o hacer gestos sin necesidad de que el usuario lleve ningún equipo especial.

El camino hacia una detección fiable no ha sido fácil. Diferentes hardware Wi-Fi interpretan los datos de la señal de distintas formas. Esto dificulta que los modelos reconozcan patrones de manera consistente entre diferentes dispositivos. Los efectos de múltiples trayectos complican aún más la situación. Crean relaciones complejas entre las frecuencias de la señal que cambian según tu posición. Los intentos anteriores solían fallar cuando cambiaban las condiciones porque se basaban en supuestos rígidos sobre el comportamiento de las señales.

Un nuevo enfoque arquitectónico resuelve estas inconsistencias mediante grafos de multiplexión multirresolución. El proceso comienza remuestreando las subportadoras válidas en un sistema de coordenadas común. Esto garantiza que los datos de entrada sean consistentes independientemente del hardware utilizado. Dos codificadores especializados trabajan juntos para analizar la señal. Uno captura los cambios de amplitud a lo largo del tiempo. El otro modela la propagación de los datos de las subportadoras firmadas. Este componente gráfico identifica trayectorias que varían juntas y aquellas que lo hacen en direcciones opuestas. Captura dinámicas de movimiento matizadas con mayor precisión que los métodos anteriores.

Las pruebas en el conjunto de datos integral CSI-Bench destacan las sólidas capacidades de generalización del modelo. Logró una puntuación F1 ponderada del 95,96 % durante las pruebas in-domain. Mantuvo una alta precisión entre diferentes dispositivos, entornos y usuarios. Este rendimiento supera significativamente a las arquitecturas base como LSTM, Transformer y ResNet-18. La capacidad de funcionar eficazmente en configuraciones heterogéneas sugiere una pronta preparación para aplicaciones prácticas en hogares inteligentes, monitorización sanitaria y sistemas de seguridad.

El análisis temporal restringido y la condición relacional con puertas permiten a la red distinguir patrones de actividad sutiles incluso cuando los parámetros de adquisición cambian considerablemente. Aunque la complejidad de las operaciones gráficas aumenta los costes computacionales frente a modelos más simples, la latencia de inferencia sigue siendo manejable en hardware GPU moderno. Este equilibrio entre alta precisión y despliegue práctico posiciona las representaciones avanzadas basadas en grafos como un habilitador clave para el reconocimiento ubicuo y pasivo de actividad en entornos conectados.