Как сигналы Wi-Fi выдают каждое ваше движение: прорыв Graph AI в пассивном зондировании

Швейцария, Источник:

Ваше тело оставляет невидимый след при движении в пространстве. Этот след искажает радиоволны, заполняющие ваш дом. В результате формируется уникальный отпечаток. Стандартные роутеры Wi-Fi могут его зафиксировать. Технология под названием CSI-сенсоринг превращает обычное сетевое оборудование в датчики движения без активного участия пользователя. Она предлагает вариант, сохраняющий конфиденциальность. Камеры и носимые гаджеты для этого не нужны. Система распознает ходьбу или жесты автоматически.

Путь к надежному обнаружению был нелегким. Разное аппаратное обеспечение Wi-Fi по-разному интерпретирует данные сигналов. Моделям сложно выявлять паттерны единообразно на разных устройствах. Многолучевое распространение усложняет задачу еще больше. Частоты сигнала меняются в зависимости от положения человека. Предыдущие попытки часто терпели неудачу при изменении условий. Они опирались на жесткие допущения о поведении сигналов.

Новая архитектурная схема решает эти проблемы с помощью мультиразрешающих мультиплексных графов. Процесс начинается с передискретизации полезных поднесущих к общей системе координат. Это гарантирует согласованность входных данных независимо от используемого оборудования. Два специализированных кодировщика работают совместно для анализа сигнала. Один фиксирует изменения амплитуды во времени. Второй моделирует распространение данных подписанных поднесущих. Графовый компонент выявляет как совпадающие, так и противоположные траектории. Он улавливает тонкую динамику движений точнее ранних методов.

Тестирование на полном наборе данных CSI-Bench демонстрирует сильную способность модели к обобщению. Во время внутридоменного тестирования взвешенный показатель F1 составил 95,96%. Точность оставалась высокой на разных устройствах, в различных средах и среди разных пользователей. Эти результаты значительно превосходят базовые архитектуры вроде LSTM, Transformer и ResNet-18. Эффективная работа в разнородных конфигурациях говорит о готовности к практическому применению в умных домах, системах мониторинга здоровья и безопасности.

Ограниченный временной анализ и условное затворное отношение позволяют сети различать тонкие паттерны активности даже при значительном изменении параметров сбора данных. Сложность графовых операций увеличивает вычислительные затраты по сравнению с более простыми моделями. Однако задержка вывода остается приемлемой на современном оборудовании GPU. Этот баланс между высокой точностью и возможностью развертывания делает продвинутые графовые представления ключевым инструментом для повсеместного пассивного распознавания активности в подключенных средах.