Resource-Efficient WiFi CSI Sensing via Exploiting the Age of Samples

Resumen Técnico: Detección de WiFi Eficiente en Recursos mediante la Explotación de la Edad de las Muestras

Planteamiento del Problema

La detección mediante la Información de Estado del Canal (CSI) de WiFi es una técnica poderosa para inferir la actividad y la identidad humana sin dispositivos portátiles. Sin embargo, los modelos de alta precisión existentes suelen asumir un muestreo de CSI denso, regular y de alta tasa. En escenarios prácticos, particularmente con la estandarización de la Detección y Comunicación Integradas (ISAC) en IEEE 802.11bf, la detección debe coexistir con la comunicación de datos. Esta coexistencia impone un presupuesto de detección promedio estricto, lo que limita la fracción de intervalos de tiempo disponibles para adquirir mediciones de CSI frescas. Además, la pérdida de paquetes y las irregularidades impulsadas por el tráfico resultan en intervalos de muestreo no uniformes.

Los enfoques actuales para el CSI disperso o irregular generalmente se dividen en tres categorías:

1. Métodos de reconstrucción: Intentan recuperar el CSI denso a partir de datos dispersos antes de la inferencia, lo que introduce complejidad computacional y posibles errores de reconstrucción.
2. Métodos de selección de recursos: Podan subportadoras o antenas, pero a menudo ignoran las tasas de muestreo temporal.
3. Modelos de atención conscientes del tiempo (ej. UniFi): Incorporan marcas de tiempo absolutas e interpolan los datos en una cuadrícula uniforme. Sin embargo, estos métodos no evalúan explícitamente la precisión en función de un presupuesto de detección promedio, ni utilizan la Edad de la Información (AoI) —el tiempo transcurrido desde que se capturó una muestra— como una característica entrenable.

En consecuencia, existe la necesidad de un marco de detección que contabilice explícitamente la frescura de la muestra (AoI) bajo restricciones estrictas de recursos sin incurrir en una sobrecarga computacional significativa.

Metodología

Modelo de Sistema y Restricciones de Muestreo

Los autores formulan el problema dentro de una sesión de medición de $T$ intervalos de tiempo discretos. Un presupuesto de detección promedio $\alpha \in (0, 1]$ restringe la fracción de intervalos donde se adquieren muestras de CSI. Se consideran dos políticas de muestreo fijas para modelar diferentes regímenes prácticos:

• Política Determinista (Acumulada/Bresenham): Distribuye $M$ intervalos detectados de forma casi uniforme sobre la sesión, modelando una detección dedicada programada.
• Política Estocástica (Bernoulli): Muestrea intervalos de forma independiente con una probabilidad $\alpha$, modelando la pérdida de paquetes aleatoria y las irregularidades impulsadas por el tráfico.

La "edad" del $m$-ésimo cuadro detectado, $\delta(t_m)$, se define como el tiempo transcurrido desde su captura con respecto al instante de decisión ($T-1$): $\delta(t_m) = (T-1) - t_m$. Esta métrica se trata como una señal lateral de costo cero disponible en la capa MAC.

Marco Propuesto: Detección de WiFi Consciente de la Edad

Los autores proponen un marco de bajo costo y consciente de la edad que incorpora explícitamente la frescura de la muestra en el entrenamiento del modelo. La arquitectura consta de:

1. Observación Empaquetada: En lugar de transportar cuadros obsoletos a través de intervalos no detectados, la entrada es un conjunto empaquetado de $M$ cuadros detectados, cada uno etiquetado con su edad: $X = \{(X(t_m), \delta(t_m))\}_{m=1}^M$.
2. Codificador de CSI: Una red neuronal convolucional (CNN) que procesa el tensor de CSI empaquetado (antenas $\times$ subportadoras $\times$ cuadros) para producir una incrustación de contenido de movimiento ($e_{csi}$). El agrupamiento promedio adaptativo asegura que el modelo acepte un número variable de cuadros ($M$) mientras genera una incrustación de tamaño fijo.
3. Codificador de Edad: Una rama ligera que mapea los valores de edad escalares $\delta(t_m)$ a una incrustación de confiabilidad ($e_a \in (0, 1)^d$). Esto se logra mediante una capa lineal compartida, normalización por lotes y una activación sigmoide, seguido de un promedio sobre la sesión. El resultado representa un peso de confiabilidad por dimensión basado en la obsolescencia.
4. Fusión Multiplicativa: Las incrustaciones de CSI y de edad se fusionan mediante un producto elemento a elemento (Hadamard): $e_f = e_{csi} \odot e_a$. Este diseño trata la edad como una "puerta dependiente de la frescura", escalando las características de CSI basándose en su confiabilidad en lugar de tratar la edad como una modalidad independiente.
5. Clasificador: Un bloque de post-fusión (ReLU, LayerNorm, Dropout) mapea la incrustación fusionada a puntuaciones de clase.

El marco añade parámetros insignificantes (solo $4d$ escalares adicionales para $d=128$) y mantiene una complejidad computacional comparable a un modelo estándar de solo CSI.

Contribuciones Clave

• Formulación del Problema: El artículo formaliza la detección de CSI de WiFi bajo un presupuesto de detección promedio, modelando explícitamente tanto la detección dispersa programada como la pérdida de paquetes aleatoria.
• Arquitectura Consciente de la Edad: Introduce un nuevo marco de bajo costo que codifica la Edad de la Información (AoI) de las muestras de CSI y la fusiona multiplicativamente con las características de CSI. Esto permite al modelo atenuar dinámicamente las características de las muestras obsoletas.
• Implementación de Costo Cero: El enfoque utiliza la información de tiempo que ya está disponible en la capa MAC, sin requerir señalización adicional o pasos de reconstrucción complejos.
• Evaluación Exhaustiva: El método se evalúa en dos tareas distintas (Reconocimiento de Actividad Humana e Identificación de Personas) utilizando los conjuntos de datos NTU-Fi bajo regímenes de muestreo tanto deterministas como estocásticos.

Resultados Experimentales

El modelo propuesto fue evaluado en los conjuntos de datos NTU-Fi Human Activity Recognition (HAR) y NTU-Fi HumanID. Se comparó con:

1. Un modelo base de solo CSI.
2. El modelo de atención consciente del tiempo de vanguardia UniFi (mTAN).
3. Un modelo base Last-M (utilizando solo los $M$ cuadros más recientes).

Hallazgos Clave:

• Desempeño Superior: El modelo consciente de la edad superó consistentemente tanto al modelo base de solo CSI como al benchmark UniFi en todos los regímenes de muestreo y niveles de presupuesto.
• Ganancias en Presupuestos Bajos: La mejora en el desempeño fue más significativa bajo presupuestos de detección estrictos. Para la Identificación de Personas, el modelo propuesto logró una mejora de hasta 10 puntos porcentuales sobre el método UniFi. Bajo muestreo acumulado con $\alpha=0.01$, el modelo consciente de la edad mantuvo un 80.7% de precisión, mientras que el modelo de solo CSI cayó al 72.7% y UniFi al 68.6%.
• Cobertura Temporal vs. Recencia: Los experimentos comparando el muestreo "Acumulado" (distribuido en el tiempo) frente al "Last-M" (concentrado al final) revelaron que cubrir la sesión completa es más crítico que simplemente usar los cuadros más recientes. Con un número igual de cuadros, el enfoque acumulado superó significativamente al enfoque Last-M.
• Sensibilidad de la Tarea: Los beneficios de la conciencia de la edad fueron más pronunciados en la Identificación de Personas (una tarea de sensibilidad temporal que requiere resolución de patrones de marcha) que en el Reconocimiento de Actividad.

Significado y Reivindicaciones

El artículo sostiene que la inferencia consciente de la frescura es un enfoque efectivo y práctico para mantener la precisión de la detección cuando la disponibilidad de CSI es limitada o irregular. Al modelar explícitamente la "edad" de las muestras, el marco propuesto se adapta a las restricciones de recursos sin la latencia o la complejidad de la reconstrucción de datos.

Los autores enfatizan que su enfoque es particularmente valioso en el contexto de IEEE 802.11bf, donde la detección y la comunicación deben compartir el medio. La capacidad de mantener una alta precisión incluso con presupuestos de detección muy bajos (ej. $\alpha=0.01$) demuestra que el mecanismo propuesto de conciencia de la edad mitiga eficazmente la degradación causada por el muestreo disperso e irregular, ofreciendo una solución eficiente en recursos para despliegues de ISAC en el mundo real.