Why Commodity WiFi Sensors Fail at Multi-Person Gait Identification: A Systematic Analysis Using ESP32

Resumen Técnico: Por qué los sensores WiFi de consumo fallan en la identificación de la marcha de múltiples personas

Planteamiento del problema
Si bien la Información de Estado del Canal (CSI) de WiFi ha demostrado ser prometedora para la identificación de la marcha de una sola persona en entornos controlados, su viabilidad para la identificación de múltiples personas en hardware de bajo costo y de consumo sigue sin estar clara. El desafío central es la separación de señales: cuando varias personas caminan simultáneamente, sus firmas de marcha interfieren y se mezclan dentro de la CSI recibida, creando una superposición que debe descomponerse antes de que pueda ocurrir la identificación individual. La literatura existente sugiere que, si bien las configuraciones complejas (por ejemplo, firmware modificado, arreglos de antenas especializados) pueden lograr la separación, el rendimiento en dispositivos de consumo es modesto. La pregunta de investigación central abordada por este artículo es si el deficiente rendimiento en multi-persona se debe principalmente a limitaciones algorítmicas (modelos de separación insuficientes) o a techos fundamentales de detección inherentes al hardware WiFi de consumo (insuficiente diversidad espacial y espectral).

Metodología
Los autores realizaron un estudio empírico sistemático utilizando sensores WiFi ESP32 de consumo operando en la banda de 5 GHz (IEEE 802.11n). El estudio evitó intencionalmente la CSI con fase estable de NICs especializadas para reflejar las restricciones realistas de despliegue de bajo costo.

• Recolección de datos: Los experimentos se llevaron a cabo en dos entornos: un Laboratorio controlado (7m × 7m) y un Aula realista (5.4m × 9m) con muebles y tráfico ambiental. Diez participantes (edades 20–40) realizaron pruebas de caminata a través de siete escenarios que involucraban de 1 a 10 personas.
• Configuración de la señal: El sistema capturó la amplitud de la CSI para $k=3$ antenas a través de $m=52$ subportadoras portadoras de información.
• Algoritmos de separación: Se evaluaron seis métodos distintos de separación ciega de fuentes (BSS) bajo condiciones de adquisición idénticas para aislar la sensibilidad algorítmica de las limitaciones de detección:
  1. FastICA (Independencia estadística)
  2. SOBI (Estructura temporal de segundo orden)
  3. PCA–ICA (Híbrido de reducción de dimensionalidad y separación)
  4. NMF (Factorización de matrices no negativas; representación basada en partes aditivas)
  5. Transformada de Wavelet (Descomposición tiempo-frecuencia de multirresolución)
  6. Descomposición de Tensores (Factorización multiactual que preserva las interacciones a través de los modos)
• Pipeline de evaluación: Los componentes separados fueron procesados en vectores de características (descriptores temporales, de frecuencia y espaciales) y clasificados mediante una Máquina de Vectores de Soporte (SVM) con un kernel RBF.
• Métricas de diagnóstico: Más allá de la precisión estándar, los autores introdujeron tres métricas para caracterizar los modos de falla:
  • Variabilidad Intra-Sujeto (ISV): Consistencia de las características para un mismo usuario.
  • Distinguibilidad Inter-Sujeto (ISD): Separación entre diferentes usuarios en el espacio de características.
  • Tasa de Degradación del Rendimiento (PDR): Robustez a medida que aumenta la densidad de la multitud.

Resultados Clave
El estudio encontró que todos los métodos evaluados tuvieron un rendimiento moderado, y ningún algoritmo resolvió por sí solo el problema subyacente de la separación de personas densas.

• Rendimiento de clasificación: El método con mejor desempeño fue NMF, logrando una precisión del 56.00% y un F1-score del 48.00%. FastICA y SOBI le siguieron con aproximadamente un 48–49% de precisión, mientras que PCA–ICA tuvo el peor desempeño con un 39.39%.
• Solapamiento de características: Un hallazgo crítico fue el extremadamente alto solapamiento en el espacio de características (97–99%) en todos los métodos. Esto indica que incluso los "mejores" algoritmos de separación operan en un régimen de fuerte entrelazamiento de identidad en lugar de una separación limpia.
• Compromiso entre Estabilidad y Separabilidad:
  • La Descomposición de Tensores logró la mayor Distinguibilidad Inter-Sujeto (ISD) pero sufrió de una extrema Variabilidad Intra-Sujeto (ISV), lo que significa que la representación para un solo usuario era inestable entre ensayos.
  • PCA–ICA ofreció las representaciones más estables (menor ISV) pero no logró proporcionar un poder discriminativo suficiente para la identificación.
  • NMF proporcionó el equilibrio más favorable, mejorando las métricas de clasificación sin la severa inestabilidad de los modelos tensoriales o la baja precisión de PCA.
• Sensibilidad Ambiental: El rendimiento dependió altamente del entorno. La mayoría de los métodos mejoraron en el entorno de "Aula" con mayor trayectoria múltiple (multipath), mientras que la descomposición de Tensores funcionó mejor en el Laboratorio controlado, lo que sugiere que la diversidad de trayectoria múltiple actúa como una señal útil o como interferencia estructurada dependiendo del algoritmo.
• Escalabilidad: A medida que el número de personas aumentó de 2 a 10, todos los métodos mostraron degradación en el rendimiento. La descomposición de Tensores mostró la mejor resiliencia a la densidad (menor tasa de degradación), mientras que Wavelet y PCA–ICA se degradaron más bruscamente.

Significancia y Reivindicaciones
El artículo concluye que el cuello de botella para la identificación de la marcha de múltiples personas en dispositivos de consumo ESP32 es fundamentalmente una limitación de detección, no meramente una algorítmica.

1. Restricciones de Hardware: El número limitado de antenas (3) y subportadoras (52) en el hardware de consumo proporciona grados de libertad espaciales y espectrales insuficientes para separar mezclas densas de la marcha humana. El problema es subdeterminado; la señal no contiene suficiente información utilizable para desenredar a los usuarios de manera confiable.
2. Límites Algorítmicos: Incrementar la sofisticación del modelo (por ejemplo, pasar de la descomposición matricial a la tensorial) no mejora el rendimiento de forma monótona porque los algoritmos no pueden compensar la información faltante en las mediciones. Los algoritmos principalmente redistribuyen el entrelazamiento de identidad en lugar de resolverlo.
3. Implicaciones de Seguridad y Privacidad:
   • Autenticación: La CSI de WiFi de consumo es actualmente una base débil para una autenticación biométrica robusta de múltiples usuarios. El alto solapamiento y la sensibilidad ambiental la hacen poco confiable para decisiones de seguridad que requieren una separación de identidad estable.
   • Privacidad: Los resultados establecen límites importantes para las amenazas de privacidad. Si bien la detección de RF pasiva es una preocupación, el estudio sugiere que la identificación pasiva y densa utilizando hardware WiFi de bajo costo y comercial es menos práctica de lo que se suele asumir. La señal de detección en sí misma no parece soportar una separación de identidad confiable en entornos densos y realistas.

Conclusión
Los autores afirman que, bajo las restricciones de la CSI de los dispositivos de consumo ESP32, la identificación de la marcha de múltiples personas está limitada más por la calidad de la detección y la diversidad espacial que por la elección del algoritmo de separación. El progreso futuro en este dominio probablemente requerirá modalidades de detección más ricas (por ejemplo, Massive MIMO, mmWave) o fusión de sensores, en lugar de refinamientos incrementales de los algoritmos de separación en el hardware actual de bajo costo.