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

Technische Samenvatting: Waarom Commodity WiFi-sensoren falen bij Multi-persoons Gangidentificatie

Probleemstelling
Hoewel WiFi Channel State Information (CSI) veelbelovend is gebleken voor gangidentificatie van één persoon in gecontroleerde omgevingen, blijft de haalbaarheid ervan voor identificatie van meerdere personen met goedkope, standaard (commodity) hardware onduidelijk. De kernuitdaging is signaalseparatie: wanneer meerdere individuen tegelijkertig lopen, interfereren en mengen hun gangpatronen binnen de ontvangen CSI, wat een superpositie creëert die gedestilleerd moet worden voordat individuele identificatie kan plaatsvinden. Bestaande literatuur suggereert dat hoewel complexe opstellingen (bijv. aangepaste firmware, gespecialiseerde antenne-arrays) separatie kunnen bereiken, de prestaties op standaard apparaten bescheiden zijn. De centrale onderzoeksvraag van dit artikel is of de matige prestaties bij meerdere personen voortkomen uit algoritmische beperkingen (onvoldoende scheidingsmodellen) of uit fundamentele detectieplafonds die inherent zijn aan commodity WiFi-hardware (onvoldoende ruimtelijke en spectrale diversiteit).

Methodologie
De auteurs voerden een systematische empirische studie uit met behulp van commodity ESP32 WiFi-sensoren werkend in de 5 GHz-band (IEEE 802.11n). De studie vermeed doelbewust fase-stabiele CSI van gespecialiseerde NIC's om de realistische beperkingen van goedkope implementaties te weerspiegelen.

• Gegevensverzameling: Experimenten werden uitgevoerd in twee omgevingen: een gecontroleerd Laboratorium (7m × 7m) en een realistische Klaslokaal (5,4m × 9m) met meubilair en omgevingsverkeer. Tien deelnemers (leeftijd 20–40) voerden loopproeven uit over zeven scenario's waarbij 1 tot 10 personen betrokken waren.
• Signaalconfiguratie: Het systeem legde de CSI-amplitude vast van $k=3$ antennes over $m=52$ informatiedragende subcarriers.
• Separatie-algoritmen: Zes verschillende Blind Source Separation (BSS)-methoden werden onder identieke acquisitiecondities geëvalueerd om algoritmische gevoeligheid te isoleren van detectiebeperkingen:
  1. FastICA (Statistische onafhankelijkheid)
  2. SOBI (Tweede-orde temporele structuur)
  3. PCA–ICA (Hybride dimensionaliteitsreductie en separatie)
  4. NMF (Non-negative Matrix Factorization; additieve delen-gebaseerde representatie)
  5. Wavelet Transform (Multi-resolutie tijd-frequentie decompositie)
  6. Tensor Decomposition (Multi-way factorisatie die interacties over modi behoudt)
• Evaluatiepipeline: Gescheiden bronnen werden verwerkt tot featurevectoren (temporele, frequentie- en ruimtelijke descriptoren) en geclassificeerd met behulp van een Support Vector Machine (SVM) met een RBF-kernel.
• Diagnostische Metrieken: Naast standaard nauwkeurigheid introduceerden de auteurs drie metrieken om faalmodi te karakteriseren:
  • Intra-Subject Variability (ISV): Consistentie van kenmerken voor dezelfde gebruiker.
  • Inter-Subject Distinguishability (ISD): Scheiding tussen verschillende gebruikers in de feature-ruimte.
  • Performance Degradation Rate (PDR): Robuustheid naarmate de drukte toeneemt.

Belangrijkste Resultaten
De studie concludeerde dat alle geëvalueerde methoden matig presteerden, waarbij geen enkele methode het onderliggende probleem van dichte multi-persoonsseparatie oploste.

• Classificatieprestaties: De best presterende methode was NMF, met een nauwkeurigheid van 56,00% en een F1-score van 48,00%. FastICA en SOBI volgden met ongeveer 48–49% nauwkeurigheid, terwijl PCA–ICA met 39,39% het slechtst presteerde.
• Feature Overlap: Een cruciale bevinding was de extreem hoge overlap in de feature-ruimte (97–99%) over alle methoden heen. Dit geeft aan dat zelfs de "beste" separatie-algoritmen opereren in een regime van sterke identiteitsverstrengeling in plaats van zuivere separatie.
• Trade-off tussen Stabiliteit en Separabiliteit:
  • Tensor Decomposition bereikte de hoogste Inter-Subject Distinguishability (ISD) maar leed onder extreme Intra-Subject Variability (ISV), wat betekent dat de representatie voor een enkele gebruiker instabiel was over verschillende proeven heen.
  • PCA–ICA bood de meest stabiele representaties (laagste ISV) maar slaagde er niet in voldoende onderscheidend vermogen te bieden voor identificatie.
  • NMF bood de meest gunstige balans, waarbij classificatiemetrieken werden verbeterd zonder de extreme instabiliteit van tensor-modellen of de lage nauwkeurigheid van PCA.
• Omgevingsgevoeligheid: Prestaties waren sterk afhankelijk van de omgeving. De meeste methoden verbeterden in de "rijkere" multipath-omgeving van het Klaslokaal, terwijl Tensor decomposition beter presteerde in het gecontroleerde Laboratorium, wat suggereert dat multipath-diversiteit als ofwel een nuttig signaal of als gestructureerde interferentie fungeert, afhankelijk van het algoritme.
• Schaalbaarheid: Naarmate het aantal mensen toenam van 2 naar 10, vertoonden alle methoden een afname in prestaties. Tensor decomposition vertoonde de beste veerkracht tegen dichtheid (laagste degradatiesnelheid), terwijl Wavelet en PCA–ICA scherper degradeerden.

Betekenis en Claims
Het artikel concludeert dat de flessenhals voor multi-persoons gangidentificatie met commodity ESP32-apparaten fundamenteel een detectiebeperking is, en niet louter een algoritmische beperking.

1. Hardwarebeperkingen: Het beperkte aantal antennes (3) en subcarriers (52) op commodity hardware biedt onvoldoende ruimtelijke en spectrale vrijheidsgraden om dichte mengsels van menselijke gang te scheiden. Het probleem is onderbepaald; het signaal bevat niet genoeg bruikbare informatie om gebruikers betrouwbaar te ontwarren.
2. Algoritmische Limieten: Het vergroten van de modelcomplexiteit (bijv. overstappen van matrix- naar tensor-decompositie) leidt niet tot een monotone verbetering van de prestaties, omdat algoritmen de ontbrekende informatie in de metingen niet kunnen compenseren. Algoritmen herverdelen primair de identiteitsverstrengeling in plaats van deze op te lossen.
3. Beveiligings- en Privacy-implicaties:
   • Authenticatie: Commodity WiFi CSI vormt momenteel een zwak fundament voor robuuste multi-user biometrische authenticatie. De hoge overlap en omgevingsgevoeligheid maken het onbetrouwbaar voor beveiligingsbeslissingen die een stabiele identiteitsscheiding vereisen.
   • Privacy: De resultaten stellen belangrijke grenzen aan privacybedreigingen. Hoewel passieve RF-detectie een punt van zorg is, suggereren de resultaten dat dichte, passieve identificatie met behulp van goedkope, standaard WiFi-hardware minder praktisch is dan vaak wordt aangenomen. Het detectiesignaal zelf lijkt niet de ondersteuning te bieden voor betrouwbare identiteitsscheiding in drukke, realistische omgevingen.

Conclusie
De auteurs stellen dat onder de beperkingen van commodity ESP32 CSI, dichte multi-persoons gangidentificatie meer wordt beperkt door de kwaliteit van de detectie en ruimtelijke diversiteit dan door de keuze van het separatie-algoritme. Toekomstige vooruitgang in dit domein vereist waarschijnlijk rijkere detectiemodaliteiten (bijv. massive MIMO, mmWave) of sensorfusie, in plaats van incrementele verfijningen van separatie-algoritmen op bestaande goedkope hardware.