Sinyal Wi-Fi Mengungkap Setiap Gerak Anda: Terobosan AI Grafik dalam Sensing Pasif

Tubuh Anda meninggalkan jejak tak terlihat saat bergerak di udara. Jejak ini mengganggu gelombang radio yang memenuhi rumah Anda. Gangguan tersebut menciptakan sidik jari unik yang dapat dideteksi oleh router Wi-Fi standar. Teknologi ini dikenal sebagai sensing berdasarkan Channel State Information atau CSI. Ia mengubah perangkat internet biasa menjadi detektor gerakan pasif. Solusi ini menawarkan alternatif yang lebih ramah privasi dibandingkan kamera dan perangkat wearable. Sistem ini mampu mengenali aktivitas seperti berjalan atau memberi isyarat tanpa memerlukan alat khusus pada pengguna.

Jalan menuju deteksi yang andal tidak mulus. Perangkat keras Wi-Fi yang berbeda menafsirkan data sinyal dengan cara yang beragam. Hal ini menyulitkan model untuk mengenali pola secara konsisten di berbagai perangkat. Efek multipath semakin memperumit situasi dengan menciptakan hubungan kompleks antara frekuensi sinyal. Hubungan ini berubah tergantung posisi berdiri Anda. Upaya sebelumnya sering gagal ketika kondisi berubah karena mengandalkan asumsi kaku tentang perilaku sinyal.

Pendekatan arsitektur baru mengatasi inkonsistensi ini menggunakan grafik multiresolusi dan multiplex. Proses dimulai dengan melakukan resampling subcarrier valid ke sistem koordinat umum. Langkah ini memastikan data input tetap konsisten terlepas dari perangkat keras yang digunakan. Dua encoder khusus kemudian bekerja sama untuk menganalisis sinyal. Satu encoder menangkap perubahan amplitudo seiring waktu. Encoder lainnya memodelkan propagasi data subcarrier bertanda. Komponen grafik ini mengidentifikasi lintasan yang berosilasi bersama maupun berlawanan. Metode ini menangkap dinamika gerakan yang halus dengan presisi lebih tinggi dibanding metode sebelumnya.

Pengujian pada dataset CSI-Bench yang komprehensif menonjolkan kemampuan generalisasi model yang kuat. Model mencapai skor weighted-F1 sebesar 95,96% selama pengujian in-domain. Akurasinya tetap tinggi di berbagai perangkat, lingkungan, dan pengguna. Kinerja ini jauh melampaui arsitektur dasar seperti LSTM, Transformer, dan ResNet-18. Kemampuan berfungsi efektif di pengaturan yang heterogen menunjukkan kesiapan untuk aplikasi praktis. Potensi penerapannya mencakup rumah pintar, pemantauan kesehatan, dan sistem keamanan.

Analisis temporal yang terbatas dan kondisioning relasional gerbang memungkinkan jaringan membedakan pola aktivitas yang halus meskipun parameter akuisisi berubah signifikan. Meskipun kompleksitas operasi grafik meningkatkan biaya komputasi dibanding model sederhana, latensi inferensi tetap terkendali pada perangkat keras GPU modern. Keseimbangan antara akurasi tinggi dan kemungkinan implementasi praktis menjadikan representasi berbasis grafik lanjutan sebagai kunci utama. Representasi ini mendorong pengenalan aktivitas pasif yang tersebar luas di lingkungan terhubung.