Technische Samenvatting: Resource-efficiënte WiFi CSI-sensing door exploitatie van de Age of Samples

Probleemstelling

WiFi Channel State Information (CSI) sensing is een krachtige techniek voor het afleiden van menselijke activiteit en identiteit zonder draagbare apparaten. Echter, bestaande hoog-nauwkeurige modellen gaan doorgaans uit van dichte, regelmatige en hoog-frequente CSI-sampling. In praktische scenario's, met name bij de standaardisatie van Integrated Sensing and Communication (ISAC) in IEEE 802.11bf, moet sensing samenwerken met datacommunicatie. Deze coexistentie legt een strikt gemiddeld sensing-budget op, wat het deel van de tijdslots beperkt dat beschikbaar is voor het verwerven van verse CSI-metingen. Bovendien leiden pakketverlies en verkeersgestuurde onregelmatigheden tot niet-uniforme samplingintervallen.

Huidige benaderingen voor ijle (sparse) of onregelmatige CSI vallen over het algemeen in drie categorieën:

1. Reconstructiemethoden: Proberen dichte CSI te herstellen uit ijle data voordat de inferentie plaatsvindt, wat computationele complexiteit en potentiële reconstructiefouten introduceert.
2. Resource-selectiemethoden: Reduceren het aantal subcarriers of antennes, maar negeren vaak de temporele samplingrates.
3. Tijd-bewuste aandachtmodellen (bijv. UniFi): Embedden absolute tijdstempels en interpoleren data naar een uniform rooster. Deze methoden evalueren echter niet expliciet de nauwkeurigheid als functie van een gemiddeld sensing-budget, noch maken ze gebruik van de Age of Information (AoI) — de tijd die verstreken is sinds een sample werd vastgelegd — als een trainbaar kenmerk.

Bij consequentie is er behoefte aan een sensing-framework dat expliciet rekening houdt met de versheid van samples (AoI) onder strikte resourcebeperkingen, zonder aanzienlijke computationele overhead te veroorzaken.

Methodologie

Systeemmodel en Sampling-beperkingen

De auteurs formuleren het probleem binnen een meetsessie van $T$ discrete tijdslots. Een gemiddeld sensing-budget $\alpha \in (0, 1]$ beperkt het deel van de slots waarin CSI-samples worden verworven. Twee vaste sampling-policies worden overwogen om verschillende praktische regimes te modelleren:

• Deterministisch (Geaccumuleerd/Bresenham) Beleid: Verspreidt $M$ gesensed slots bijna uniform over de sessie, wat geplande, toegewezen sensing modelleert.
• Stochastisch (Bernoulli) Beleid: Sampleert slots onafhankelijk met waarschijnlijkheid $\alpha$, wat willekeurig pakketverlies en verkeersgestuurde onregelmatigheden modelleert.

De "leeftijd" van het $m$-de gesensed frame, $\delta(t_m)$, wordt gedefinieerd als de tijd die is verstreken sinds de vastlegging ervan ten opzichte van het beslissingsmoment ($T-1$): $\delta(t_m) = (T-1) - t_m$. Deze metriek wordt behandeld als een zero-overhead zijsignaal dat beschikbaar is op de MAC-laag.

Voorgesteld Framework: Age-Aware WiFi Sensing

De auteurs stellen een laag-kosten, age-aware framework voor dat de versheid van samples (Aoft) expliciet incorporeert in de modeltraining. De architectuur bestaat uit:

1. Packed Observation: In plaats van verouderde frames door ongesensed slots te dragen, is de input een gepakte set van $M$ gesensed frames, elk voorzien van een leeftijd: $X = \{(X(t_m), \delta(t_m))\}_{m=1}^M$.
2. CSI Encoder: Een convolutioneel neuraal netwerk (CNN) dat de gepakte CSI-tensor (antennes $\times$ subcarriers $\times$ frames) verwerkt om een bewegingsinhoud-embedding ($e_{csi}$) te produceren. Adaptieve average pooling zorgt ervoor dat het model een variabel aantal frames ($M$) accepteert terwijl het een embedding van vaste grootte uitvoert.
3. Age Encoder: Een lichtgewicht tak die scalaire leeftijdswaarden $\delta(t_m)$ mapt naar een betrouwbaarheid-embedding ($e_a \in (0, 1)^d$). Dit wordt bereikt via een gedeelde lineaire laag, batch normalisatie en een sigmoid activatie, gevolgd door middeling over de sessie. De output vertegenwoordigt een betrouwbaarheidsgewicht per dimensie gebaseerd op de ouderdom (staleness).
4. Multiplicatieve Fusie: De CSI- en age-embeddings worden gefuseerd via een elementgewijze (Hadamard) product: $e_f = e_{csi} \odot e_a$. Dit ontwerp behandelt leeftijd als een "versheid-afhankelijke gate", die CSI-features schaalt op basis van hun betrouwbaarheid, in plaats van leeftijd als een onafhankelijke modaliteit te behandelen.
5. Classifier: Een post-fusie blok (ReLU, LayerNorm, Dropout) mapt de gefuseerde embedding naar klasse-scores.

Het framework voegt verwaarloosbare parameters toe (slechts $4d$ additionele scalairen voor $d=128$) en behoudt een computationele complexiteit die vergelijkbaar is met een standaard CSI-only model.

Belangrijkste Bijdragen

• Probleemformulering: Het artikel formaliseert WiFi CSI sensing onder een gemiddeld sensing-budget, waarbij zowel geplande ijle sensing als willekeurig pakketverlies expliciet wordt gemodelleerd.
• Age-Aware Architectuur: Het introduceert een nieuw, laag-overhead framework dat de Age of Information (AoI) van CSI-samples encodeert en deze multiplicatief fuseert met CSI-features. Dit stelt het model in staat om features van verouderde samples dynamisch te dempen.
• Zero-Overhead Implementatie: De aanpak maakt gebruik van timinginformatie die al beschikbaar is op de MAC-laag, waardoor extra signalering of complexe reconstructiestappen niet nodig zijn.
• Uitgebreide Evaluatie: De methode wordt geëvalueerd op twee verschillende taken (Human Activity Recognition en Person Identification) met behulp van de NTU-Fi datasets onder zowel deterministische als stochastische samplingregimes.

Experimentele Resultaten

Het voorgestelde model werd geëvalueerd op de NTU-Fi Human Activity Recognition (HAR) en NTU-Fi HumanID datasets. Het werd vergeleken met:

1. Een CSI-only baseline.
2. Het state-of-the-art UniFi (mTAN) tijd-bewuste aandachtmodel.
3. Een Last-M baseline (gebruikmakend van enkel de meest recente $M$ frames).

Belangrijkste bevindingen:

• Superieure Prestaties: Het age-aware model presteerde consistent beter dan zowel de CSI-only baseline als de UniFi benchmark over alle samplingregimes en budgetniveaus heen.
• Winst bij Lage Budgets: De prestatieverbetering was het meest significant onder strikte sensing-budgetten. Voor Person Identification behaalde het voorgestelde model een verbetering van tot wel 10 procentpunt ten opzichte van de UniFi-methode. Bij geaccumuleerde sampling bij $\alpha=0.01$, behield het age-aware model een nauwkeurigheid van 80,7%, terwijl de CSI-only baseline daalde naar 72,7% en UniFi naar 68,6%.
• Temporele Dekking vs. Recency: Experimenten die "geaccumuleerde" sampling (verspreid over de tijd) vergeleken met "Last-M" (geconcentreerd aan het einde) toonden aan dat het dekken van de gehele sessie belangrijker is dan enkel het gebruiken van recente frames. Bij een gelijk aantal frames presteerde de geaccumuleerde aanpak significant beter dan de Last-M aanpak.
• Taakgevoeligheid: De voordelen van age-awareness waren prominenter aanwezig in Person Identification (een temporeel gevoelige taak die resolutie van looppatronen vereist) dan in Activity Recognition.

Betekenis en Claims

Het artikel claimt dat freshness-aware inferentie een effectieve en praktische aanpak is voor het behouden van sensing-nauwkeurigheid wanneer de beschikbaarheid van CSI beperkt of onregelmatig is. Door de "leeftijd" van samples expliciet te modelleren, past het voorgestelde framework zich aan resourcebeperkingen aan zonder de latentie of complexiteit van datareconstructie.

De auteurs benadrukken dat hun aanpak bijzonder waardevol is in de context van IEEE 802.11bf, waar sensing en communicatie hetzelfde medium moeten delen. Het vermogen om een hoge nauwkeurigheid te behouden, zelfs bij zeer lage sensing-budgetten (bijv. $\alpha=0.01$), demonstreert dat het voorgestelde age-aware mechanisme de degradatie door ijle en onregelmatige sampling effectief mitigeert, wat een resource-efficiënte oplossing biedt voor real-world ISAC-implementaties.