Sintesi Tecnica: Rilevamento WiFi Efficiente nelle Risorse Sfruttando l'Età dei Campioni

Definizione del Problema

Il rilevamento tramite l'Informazione sullo Stato del Canale (CSI) del WiFi è una tecnica potente per inferire l'attività e l'identità umana senza dispositivi indossabili. Tuttavia, i modelli ad alta precisione esistenti tipicamente assumono un campionamento CSI denso, regolare e ad alta frequenza. In scenari pratici, in particolare con la standardizzazione dell'Integrated Sensing and Communication (ISAC) in IEEE 802.11bf, il rilevamento deve coesistere con la comunicazione dati. Questa coesistenza impone un budget medio di rilevamento rigoroso, limitando la frazione di slot temporali disponibili per l'acquisizione di misurazioni CSI fresche. Inoltre, la perdita di pacchetti e le irregolarità guidate dal traffico risultano in intervalli di campionamento non uniformi.

Gli approcci attuali per il CSI sparso o irregolare rientrano generalmente in tre categorie:

1. Metodi di ricostruzione: Tentano di recuperare il CSI denso da dati sparsi prima dell'inferenza, introducendo complessità computazionale e potenziali errori di ricostruzione.
2. Metodi di selezione delle risorse: Potano sottoportanti o antenne ma spesso ignorano i tassi di campionamento temporale.
3. Modelli di attenzione sensibili al tempo (es. UniFi): Incorporano timestamp assoluti e interpolano i dati su una griglia uniforme. Tuttavia, questi metodi non valutano esplicitamente l'accuratezza in funzione di un budget medio di rilevamento, né utilizzano l'Age of Information (AoI) — il tempo trascorso da quando un campione è stato catturato — come una caratteristica addestrabile.

Di conseguenza, vi è la necessità di un framework di rilevamento che tenga esplicitamente conto della freschezza del campione (AoI) sotto rigorosi vincoli di risorse senza incorrere in un sovraccarico computazionale significativo.

Metodologia

Modello di Sistema e Vincoli di Campionamento

Gli autori formulano il problema all'interno di una sessione di misurazione di $T$ slot temporali discreti. Un budget medio di rilevamento $\alpha \in (0, 1]$ vincola la frazione di slot in cui vengono acquisiti campioni CSI. Sono considerate due politiche di campionamento fisse per modellare diversi regimi pratici:

• Politica Deterministica (Accumulata/Bresenham): Distribuisce $M$ slot rilevati in modo quasi uniforme sulla sessione, modellando il rilevamento dedicato programmato.
• Politica Stocastica (Bernoulli): Campiona gli slot indipendentemente con probabilità $\alpha$, modellando la perdita casuale di pacchetti e le irregolarità guidate dal traffico.

L'"età" del $m$-esimo frame rilevato, $\delta(t_m)$, è definita come il tempo trascorso dalla sua cattura rispetto all'istante decisionale ($T-1$): $\delta(t_m) = (T-1) - t_m$. Questa metrica è trattata come un segnale collaterale a costo zero disponibile al livello MAC.

Framework Proposto: Rilevamento WiFi Consapevole dell'Età (Age-Aware)

Gli autori propongono un framework a basso costo e consapevole dell'età che incorpora esplicitamente la freschezza del campione nell'addestramento del modello. L'architettura consiste in:

1. Osservazione Pacchettizzata (Packed Observation): Inveve di trasportare frame obsoleti attraverso gli slot non rilevati, l'input è un insieme pacchettizzato di $M$ frame rilevati, ciascuno etichettato con la sua età: $X = \{(X(t_m), \delta(t_m))\}_{m=1}^M$.
2. Encoder CSI: Una rete neurale convoluzionale (CNN) che elabora il tensore CSI pacchettizzato (antenne $\times$ sottoportanti $\times$ frame) per produrre un embedding del contenuto di movimento ($e_{csi}$). Il pooling medio adattivo assicura che il modello accetti un numero variabile di frame ($M$) producendo al contempo un embedding di dimensione fissa.
3. Encoder dell'Età: Un ramo leggero che mappa i valori scalari dell'età $\delta(t_m)$ in un embedding di affidabilità ($e_a \in (0, 1)^d$). Ciò è ottenuto tramite uno strato lineare condiviso, batch normalization e una funzione di attivazione sigmoidale, seguiti dalla media sulla sessione. L'output rappresenta un peso di affidabilità per dimensione basato sulla vetustà.
4. Fusione Moltiplicativa: Gli embedding CSI e dell'età vengono fusi tramite un prodotto elemento per elemento (Hadamard): $e_f = e_{csi} \odot e_a$. Questo design tratta l'età come un "gate dipendente dalla freschezza", scalando le caratteristiche CSI in base alla loro affidabilità piuttosto che trattare l'età come una modalità indipendente.
5. Classificatore: Un blocco post-fusione (ReLU, LayerNorm, Dropout) mappa l'embedding fuso in punteggi di classe.

Il framework aggiunge parametri trascurabili (solo $4d$ scalari aggiuntivi per $d=128$) e mantiene una complessità computazionale comparabile a un modello standard basato solo su CSI.

Contributi Chiave

• Formulazione del Problema: Il documento formalizza il rilevamento CSI WiFi sotto un vincolo di budget medio di rilevamento, modellando esplicitamente sia il rilevamento sparso programmato che la perdita casuale di pacchetti.
• Architettura Age-Aware: Introduce un nuovo framework a basso overhead che codifica l'Age of Information (AoI) dei campioni CSI e lo fonde moltiplicativamente con le caratteristiche CSI. Ciò consente al modello di attenuare dinamicamente le caratteristiche provenienti da campioni obsoleti.
• Implementazione a Zero-Overhead: L'approccio utilizza informazioni temporali già disponibili al livello MAC, richiedendo nessun segnale aggiuntivo o complessi passaggi di ricostruzione.
• Valutazione Comprensiva: Il metodo è valutato su due compiti distinti (Riconoscimento dell'Attività Umana e Identificazione della Persona) utilizzando i dataset NTU-Fi sotto sia regimi di campionamento deterministici che stocastici.

Risultati Sperimentali

Il modello proposto è stato valutato sui dataset NTU-Fi Human Activity Recognition (HAR) e NTU-Fi HumanID. È stato confrontato con:

1. Un baseline CSI-only.
2. Il modello di attenzione temporale allo stato dell'arte UniFi (mTAN).
3. Un baseline Last-M (utilizzando solo gli ultimi $M$ frame).

Risultati Chiave:

• Prestazioni Superiori: Il modello age-aware ha superato costantemente sia il baseline CSI-only che il benchmark UniFi in tutti i regimi di campionamento e livelli di budget.
• Guadagni a Basso Budget: Il miglioramento delle prestazioni è stato più significativo sotto budget di rilevamento rigorosi. Per l'Identificazione della Persona, il modello proposto ha ottenuto un miglioramento fino a 10 punti percentuali rispetto al metodo UniFi. Sotto campionamento accumulato con $\alpha=0.01$, il modello age-aware ha mantenuto un'accuratezza dell'80.7%, mentre il baseline CSI-only è sceso al 72.7% e UniFi al 68.6%.
• Copertura Temporale vs. Recenza: Gli esperimenti confrontando il campionamento "Accumulato" (distribuito nel tempo) rispetto al "Last-M" (concentrato alla fine) hanno rivelato che coprire l'intera sessione è più critico rispetto all'uso di soli frame recenti. A parità di numero di frame, l'approccio accumulato ha superato significativamente l'approccio Last-M.
• Sensibilità al Task: I benefici della consapevolezza dell'età sono stati più pronunciati nell'Identificazione della Persona (un compito temporalmente sensibile che richiede la risoluzione del pattern dell'andatura) rispetto al Riconoscimento dell'Attività.

Significato e Rivendicazioni

Il documento sostiene che il rilevamento consapevole della freschezza è un approccio efficace e pratico per mantenere l'accuratezza del rilevamento quando la disponibilità di CSI è limitata o irregolare. Modellando esplicitamente l' "età" dei campioni, il framework proposto si adatta ai vincoli di risorse senza la latenza o la complessità della ricostruzione dei dati.

Gli autori sottolineano che il loro approccio è particolarmente prezioso nel contesto di IEEE 802.11bf, dove il rilevamento e la comunicazione devono condividere il mezzo. La capacità di mantenere un'alta accuratezza anche a budget di rilevamento molto bassi (es. $\alpha=0.01$) dimostra che il meccanismo age-aware proposto mitiga efficacementamente la degradazione causata dal campionamento sparso e irregolare, offrendo una soluzione efficiente dal punto di vista delle risorse per le implementazioni ISAC nel mondo reale.