An Artificial Intelligence-Driven Framework for Real-Time CHPD Using Wi-Fi Channel State Information

In den stillen Ecken unserer Häuser und Büros prallen unsichtbare WLAN-Wellen ständig von Wänden, Möbeln und der Luft selbst ab. Diese Wellen tragen unsere E-Mails und Videos, aber sie tragen auch eine verborgene Geschichte über den Raum, durch den sie reisen. Wenn sich eine Person durch einen Raum bewegt, stört ihr Körper diese Wellen subtil und verändert die Art und Weise, wie sie an einem Empfänger ankommen. Diese Störung ist als Channel State Information bekannt, eine detaillierte Karte der Reise des Signals, die nicht nur die Stärke der Verbindung, sondern auch die spezifische Form und das Timing jeder einzelnen Kräuselung offenbart. Während Kameras lange Zeit der Standard waren, um zu beobachten, wer sich in einem Raum befindet, werfen sie Bedenken hinsichtlich der Privatsphäre auf und erfordern teure Hardware. Forscher haben begonnen zu fragen, ob die bereits in unserem Leben vorhandenen WLAN-Signale als stiller, unsichtbarer Beobachter dienen könnten, der in der Lage ist, Menschen zu zählen und Bewegungen zu erkennen, ohne jemals ein Bild zu machen.

Ein Forscher hat nun ein System entwickelt, das diese Idee in eine funktionierende Realität umsetzt. Er schuf ein Framework, das zwei kleine, kostengünstige Computerchips verwendet, um die WLAN-Signale in einem Raum zu „hören“ und genau zu bestimmen, wie viele Personen anwesend sind, was sie tun und ob sie sitzen, stehen oder gehen. Der Aufbau ist einfach: Ein Chip fungiert als Sender, der einen stetigen Strom von WLAN-Paketen aussendet, während ein zweiter Chip als Empfänger dient und diese Pakete auffängt, wenn sie ankommen. Wenn der Raum leer ist, treffen die Pakete in einem vorhersehbaren Muster ein. Doch sobald eine Person den Raum betritt, reflektiert und streut ihr Körper die Signale, was einen einzigartigen Fingerabdruck der Veränderung in den Daten erzeugt. Der Forscher erfasste diese Veränderungen und konvertierte die rohen Signalvariationen in einen Zahlenstrom, den ein Computer verstehen konnte.

Um diese komplexen Daten sinnvoll zu interpretieren, entwickelte der Forscher ein spezialisiertes „Computergehirn“, eine Art künstliche Intelligenz, die darauf ausgelegt ist, aus Mustern zu lernen. Er verließ sich nicht auf eine einzige Methode, sondern kombinierte drei verschiedene Techniken, um die Art und Weise nachzuahmen, wie ein Mensch eine Szene analysieren würde. Zuerwert betrachtete das System das räumliche Layout des Signals und identifizierte, welche Teile des WLAN-Spektrums am stärksten durch die Anwesenheit einer Person beeinflusst wurden. Als Nächstes untersuchte es die zeitliche Abfolge der Ereignisse, verfolgte, wie sich das Signal von einem Moment zum nächsten veränderte, um Bewegungen zu verstehen. Schließlich lernte das System, seine Aufmerksamkeit auf die wichtigsten Teile der Daten zu richten und den Hintergrundlärm zu ignorieren, der WLAN-Signale oft plagt. Dieser hybride Ansatz ermöglichte es dem Computer, zwischen einem Raum ohne Personen, einem Raum mit einer Person, einem Raum mit bis zu fünf Personen oder sogar einer größeren Gruppe zu unterscheiden.

Der Forscher testete sein System, indem er tausende Signalproben in einer kontrollierten Umgebung aufzeichnete. Er beschriftete die Daten gemäß der „Ground Truth“ (der tatsächlichen Situation) des Raumes: leer, eine Person, zwei Personen, bis zu fünf Personen, eine Menschenmenge sowie spezifische Aktivitäten wie Sitzen, Stehen oder Gehen. Er speiste diese Daten in sein KI-Modell ein, welches lernte, spezifische Signalmuster mit diesen spezifischen Bedingungen zu verknüpfen. Die Ergebnisse waren vielversprechend. Das System klassifizierte diese zehn verschiedenen Szenarien erfolgreich mit einer Testgenauigkeit von 78,57 Prozent. Obwohl es nicht perfekt war, war die Leistung stark genug, um zu demonstrieren, dass die Technologie funktioniert. Der Forscher stellte fest, dass das System manchmal die Anzahl der Personen verwechselte, wenn der Unterschied gering war, wie etwa beim Verwechseln einer Person mit fünf, da die Signaländerungen unter diesen spezifischen Bedingungen sehr ähnlich aussehen können. Dennoch war die allgemeine Fähigkeit, Anwesenheit und Aktivität zu erkennen, robust, selbst wenn die Personen für die Sensoren nicht direkt sichtbar waren, was bewies, dass das System auch dann funktioniert, wenn die Sichtverbindung blockiert ist.

Um diese Technologie zum Leben zu erwecken, baute der Forscher ein Echtzeit-Dashboard, das anzeigt, was das System gerade sieht. Diese Schnittstelle zeigt die Live-Signalstärke, die detektierte Anzahl an Personen, die vorhergesagte Aktivität und das Vertrauen des Computers in seine Antwort an. Sie verfolgt zudem Umweltfaktoren wie Temperatur und Luftfeuchtigkeit, die die Signale beeinflussen können, um sicherzustellen, dass das System sich seiner Umgebung bewusst bleibt. Der gesamte Prozess geschieht in Echtzeit, wobei das System jeweils zwanzig aufeinanderfolgende Frames gleichzeitig verarbeitet, um eine Entscheidung zu treffen. Dieser Ansatz ermöglicht es dem System, schnell auf Veränderungen im Raum zu reagieren und einen kontinuierlichen Informationsstrom über die Belegung bereitzustellen, ohne jemals eine Kameralinse zu benötigen.

Die Bedeutung dieser Arbeit liegt in ihrem Potenzial, eine datenschutzwahrende Alternative zur traditionellen Überwachung zu bieten. Da das System auf der bestehenden WLAN-Infrastruktur basiert und keine Bilder oder Videos aufnimmt, kann es Räume überwachen, ohne die persönliche Privatsphäre zu verletzen. Es nutzt kostengünstige Hardware, die weit verbreitet ist, was es zugänglich für Smart Homes, die Pflege älterer Menschen oder Sicherheitsanwendungen macht, bei denen Kameras nicht geeignet sind. Der Forscher räumt ein, dass dies ein Schritt nach vorne ist, aber nicht das Endziel. Er plant, die Genauigkeit durch das Sammeln vielfältigerer Daten und die Verfeinerung des KI-Modells zu verbessern. Für den Moment hat er demonstriert, dass die unsichtbaren Wellen des WLANs uns tatsächlich sagen können, wer im Raum ist, und bietet so eine neue Möglichkeit, unsere Welt wahrzunehmen, die sowohl effektiv als auch respektvoll gegenüber unserer Privatsphäre ist.