Comment les signaux Wi-Fi tracent vos moindres gestes : une avancée de l'IA graphique pour la détection passive

Votre corps laisse une trace invisible en traversant l'air. Cette trace perturbe les ondes radio qui envahissent votre intérieur. Elle crée une signature unique que les routeurs Wi-Fi standards peuvent détecter. Cette technologie, appelée information d'état du canal ou CSI, transforme le matériel internet quotidien en capteur de mouvement passif. Elle offre une alternative respectueuse de la vie privée aux caméras et aux objets connectés portables. Elle reconnaît les activités comme la marche ou les gestes sans qu'il soit nécessaire d'équiper l'utilisateur.

La route vers une détection fiable n'a pas été facile. Le matériel Wi-Fi interprète les données de signal de manières différentes. Il est donc difficile pour les modèles de reconnaître des motifs cohérents sur divers appareils. Les effets de trajets multiples compliquent encore la situation. Ils créent des relations complexes entre les fréquences du signal. Ces fréquences varient selon votre position. Les tentatives précédentes échouaient souvent lors des changements de conditions. Elles reposaient sur des hypothèses rigides concernant le comportement des signaux.

Une nouvelle architecture répond à ces incohérences grâce à des graphes multiplex multirésolution. Le processus commence par un rééchantillonnage des sous-porteuses valides dans un système de coordonnées commun. Cela garantit la cohérence des données d'entrée indépendamment du matériel utilisé. Deux encodeurs spécialisés analysent ensuite le signal conjointement. L'un capture les variations d'amplitude dans le temps. L'autre modélise la propagation des données de sous-porteuse signées. Ce composant graphique identifie les trajectoires covariantes et contravariantes. Il saisit les nuances de la dynamique du mouvement avec plus de précision que les méthodes antérieures.

Les tests sur le jeu de données complet CSI-Bench mettent en lumière les solides capacités de généralisation du modèle. Il a atteint un score F1 pondéré de 95,96 % lors des tests internes. Il a maintenu une grande précision sur différents appareils, environnements et utilisateurs. Ces performances surpassent largement les architectures de base telles que LSTM, Transformer et ResNet-18. Sa capacité à fonctionner efficacement dans des configurations hétérogènes suggère une préparation pour des applications pratiques. On pense aux maisons intelligentes, au suivi médical et aux systèmes de sécurité.

L'analyse temporelle contrainte et le conditionnement relationnel à portes permettent au réseau de distinguer des motifs d'activité subtils. Cela reste possible même lorsque les paramètres d'acquisition changent considérablement. La complexité des opérations graphiques augmente les coûts de calcul par rapport aux modèles simples. Cependant, la latence d'inférence reste gérable sur le matériel GPU moderne. Cet équilibre entre haute précision et déploiabilité pratique place les représentations avancées basées sur les graphes comme un élément clé. Elles permettent une reconnaissance d'activité passive ubiquitaire dans les environnements connectés.