Como os sinais Wi-Fi revelam cada um dos seus movimentos: o avanço da IA em Grafos na detecção passiva

Seu corpo deixa um rastro invisível ao se mover pelo ar. Esse rastro perturba as ondas de rádio que preenchem sua casa e cria uma assinatura única. Roteadores Wi-Fi comuns podem detectar esse padrão. A tecnologia conhecida como Informação de Estado do Canal ou sensoriamento CSI transforma equipamentos de internet cotidianos em detectores de movimento passivos. Ela oferece uma alternativa amigável à privacidade em relação a câmeras e wearables. O sistema reconhece atividades como caminhar ou fazer gestos sem exigir dispositivos especiais no usuário.

O caminho para uma detecção confiável não foi fácil. Diferentes hardwares Wi-Fi interpretam os dados de sinal de maneiras distintas. Isso dificulta que os modelos reconheçam padrões consistentemente entre diferentes aparelhos. Os efeitos de múltiplos caminhos complicam ainda mais a situação. Eles criam relações complexas entre frequências de sinal que mudam conforme sua posição. Tentativas anteriores frequentemente falhavam quando as condições variavam. Elas dependiam de suposições rígidas sobre o comportamento dos sinais.

Uma nova abordagem arquitetural resolve essas inconsistências usando grafos multiplex multirresolução. O processo começa com a resampling de subportadoras válidas para um sistema de coordenadas comum. Isso garante que os dados de entrada permaneçam consistentes, independentemente do hardware utilizado. Dois codificadores especializados trabalham juntos para analisar o sinal. Um captura mudanças na amplitude ao longo do tempo. O outro modela a propagação dos dados das subportadoras assinadas. Este componente gráfico identifica trajetórias que variam juntas ou em direções opostas. Ele captura dinâmicas de movimento sutis com maior precisão que métodos anteriores.

Os testes no abrangente conjunto de dados CSI-Bench destacam a forte capacidade de generalização do modelo. Ele alcançou um escore F1 ponderado de 95,96% durante os testes in-domain. A alta precisão foi mantida em diferentes dispositivos, ambientes e usuários. Esse desempenho supera significativamente arquiteturas de referência como LSTM, Transformer e ResNet-18. A capacidade de funcionar eficazmente em configurações heterogêneas sugere prontidão para aplicações práticas em casas inteligentes, monitoramento de saúde e sistemas de segurança.

A análise temporal restrita e o condicionamento relacional com portas permitem que a rede distinga padrões de atividade sutis mesmo quando os parâmetros de aquisição mudam drasticamente. Embora a complexidade das operações gráficas aumente os custos computacionais em comparação com modelos mais simples, a latência de inferência permanece gerenciável em hardware GPU moderno. Esse equilíbrio entre alta precisão e viabilidade prática posiciona as representações baseadas em grafos avançados como um habilitador chave para o reconhecimento ubíquo e passivo de atividades em ambientes conectados.