Multi-Station WiFi CSI Sensing Framework Robust to Station-wise Feature Missingness and Limited Labeled Data

Each language version is independently generated for its own context, not a direct translation.

Imagine que você está tentando entender o que está acontecendo em uma sala usando apenas o som das vozes que ecoam pelas paredes. Se você tiver apenas um microfone, pode ser difícil. Mas se você tiver oito microfones espalhados pela sala, a imagem fica muito mais clara!

É exatamente assim que funciona a tecnologia de WiFi Sensing (Sensoriamento por WiFi). Ela usa as ondas de rádio do seu roteador para detectar movimento, como se fosse um "radar invisível".

No entanto, na vida real, dois problemas grandes atrapalham esse sistema:

Microfones que somem: Às vezes, um dos dispositivos (estações) perde a conexão, fica sem bateria ou tem interferência. O sistema fica "cego" para aquela parte da sala.
Falta de professor: Para ensinar o computador a entender esses sinais, precisamos de milhares de exemplos com "respostas certas" (dados rotulados). Coletar isso é caro e demorado, como tentar ensinar uma criança a andar sem nunca ter mostrado a ela como se faz.

A maioria das soluções atuais tenta consertar um problema de cada vez, ou tenta "adivinhar" o que o microfone perdido estava ouvindo (o que muitas vezes cria alucinações).

A Solução Proposta: O "Treinamento de Resistência"

Os autores deste artigo propuseram uma nova maneira de treinar o sistema, que eles chamam de Framework Multi-Estação. Eles usam duas técnicas principais, que podemos comparar a um treinamento militar ou esportivo:

1. O Treinamento com "Máscaras" (CroSSL)

Imagine que você está treinando um time de futebol para jogar em qualquer condição. Em vez de treinar apenas com o time completo, você remove aleatoriamente alguns jogadores durante os treinos de prática.

A analogia: O sistema de aprendizado (chamado CroSSL) olha para os dados de WiFi que não têm "rótulos" (dados brutos, sem saber o que está acontecendo). Ele aprende a entender o ambiente mesmo quando "desliga" alguns dos sensores.
O resultado: O sistema aprende que não precisa confiar em apenas um microfone. Ele aprende a "ouvir" o conjunto todo. Se um microfone falhar, o cérebro do sistema já sabe como compensar usando os outros, porque ele já praticou isso milhares de vezes.

2. O Simulador de Caos (SMA)

Depois que o sistema aprendeu a ser resistente, ele precisa ser testado em uma situação real. Aqui entra a segunda técnica, chamada SMA (Aumento de Mascaramento).

A analogia: É como colocar o aluno em um exame onde, de repente, algumas páginas do caderno são rasgadas. Se o aluno só estudou com o caderno inteiro, ele vai entrar em pânico. Mas, se durante o estudo você já rasgou páginas aleatoriamente e o fez resolver os problemas mesmo assim, ele estará pronto para o caos.
O resultado: Durante o treinamento final (quando usamos os poucos dados que temos), o sistema é forçado a "apagar" dados de sensores inteiros. Isso garante que, quando o sistema for instalado na vida real e um sensor falhar, ele não quebre.

Por que isso é genial?

A grande descoberta do artigo é que fazer apenas uma das coisas não funciona bem.

Se você apenas treinar o sistema para ser resistente (sem rasgar as páginas no exame), ele ainda falha quando o sensor some de verdade.
Se você apenas rasgar as páginas no exame (sem o treinamento prévio de resistência), o sistema não tem base suficiente para entender o que está faltando.

A mágica acontece quando você combina os dois: treina o cérebro para ser flexível e testa ele em condições difíceis.

O Resultado na Prática

Os pesquisadores testaram isso em dois lugares:

Um escritório: Onde uma pessoa andava e o sistema tentava descobrir onde ela estava.
Uma fábrica: Onde várias pessoas andavam e o sistema tentava "reconstruir" uma imagem do que via.

O que aconteceu?
Mesmo quando metade dos sensores parou de funcionar, o sistema deles continuou funcionando quase perfeitamente. Enquanto outros sistemas (que não usavam essa técnica) entravam em colapso e davam resultados errados, o sistema deles manteve a precisão.

Resumo em uma frase

Este trabalho cria um "sistema de sensores à prova de falhas" que aprende a ser inteligente usando dados brutos (sem precisar de muitos professores) e se treina especificamente para funcionar mesmo quando parte do equipamento para de trabalhar, tornando o sensoriamento por WiFi muito mais confiável para o mundo real.

Each language version is independently generated for its own context, not a direct translation.

Título:

Framework de Sensoriamento WiFi CSI Multi-Estação Robusto à Ausência de Características por Estação e Dados Rotulados Limitados

1. Problema Abordado

O sensoriamento baseado em Informação de Estado do Canal (CSI) do WiFi tem emergido como uma tecnologia promissora para detecção de movimento e interação de objetos. No entanto, a implementação prática em cenários de multi-estação (onde múltiplos dispositivos capturam dados simultaneamente) enfrenta dois desafios fundamentais que as abordagens atuais não resolvem conjuntamente:

Ausência de Características por Estação (Station-wise Feature Missingness): Em implantações reais, as estações transmitem pacotes de forma assíncrona e heterogênea devido à contenção de rede e transmissões orientadas por aplicações. Isso resulta em janelas de tempo onde o CSI de certas estações está completamente ausente. Métodos existentes (como interpolação ou reconstrução) geralmente assumem que todos os dados de entrada estão disponíveis ou tratam apenas lacunas temporais curtas, falhando quando estações inteiras ficam indisponíveis por longos períodos.
Escassez de Dados Rotulados: O treinamento de modelos de aprendizado de máquina para CSI requer grandes quantidades de dados rotulados, que são caros e trabalhosos de coletar. A maioria dos métodos de aprendizado auto-supervisionado (SSL) ou aumento de dados (Data Augmentation) é desenvolvida sob a suposição de que a entrada está completa, tornando-os frágeis quando combinados com a falta de dados rotulados e a ausência de estações.

A lacuna identificada é que os métodos existentes tratam esses dois problemas isoladamente, não sendo robustos quando ambos ocorrem simultaneamente em implantações do mundo real.

2. Metodologia Proposta

Os autores propõem um framework unificado que aborda simultaneamente a falta de dados rotulados e a indisponibilidade de estações através de duas etapas principais:

A. Pré-treinamento Auto-Supervisionado (CroSSL Adaptado)

Objetivo: Aprender representações globais que sejam inerentemente invariantes à ausência de estações, utilizando dados não rotulados.
Técnica: Adaptação do Cross-modal Self-Supervised Learning (CroSSL).
Mecanismo:
- Cada entrada específica de uma estação é codificada por um codificador específico ( $E^{(d)}$ ).
- Durante o pré-treinamento, são geradas duas "vistas" artificiais onde subconjuntos aleatórios de estações são mascarados (substituídos por um valor de máscara).
- Um agregador compartilhado ( $A$ ) funde essas representações parciais para criar embeddings globais ( $Z_i$ e $Z'_i$ ).
- Uma função de perda não contrastiva (baseada em VICReg) é aplicada para garantir que as representações globais sejam consistentes, independentemente de quais estações estavam disponíveis em cada vista. Isso força o modelo a aprender correlações cruzadas entre estações em vez de depender de uma única estação específica.

B. Treinamento do Modelo Downstream com Aumento de Mascaramento (SMA)

Objetivo: Garantir que o modelo final seja robusto à ausência de estações durante a inferência, alinhando as condições de treinamento e inferência.
Técnica: Station-wise Masking Augmentation (SMA).
Mecanismo:
- Durante o treinamento supervisionado (com dados rotulados limitados), o modelo é exposto a padrões realistas de indisponibilidade de estações.
- Para cada amostra de entrada, um subconjunto de estações é mascarado aleatoriamente (SMA) antes de ser processado pelo extrator de características pré-treinado.
- Isso ensina o modelo downstream a realizar inferências precisas mesmo quando uma fração significativa dos dados de entrada está faltando.

3. Contribuições Principais

Identificação da Lacuna: Destacar que a ausência estruturada de dados por estação e a escassez de rótulos são desafios críticos não resolvidos conjuntamente na literatura atual de CSI.
Framework Unificado: Proposta de uma arquitetura que combina pré-treinamento auto-supervisionado invariante à falta de dados com aumento de dados específico para estações.
Validação Empírica: Demonstração de que nem o pré-treinamento invariante à falta de dados nem o aumento de dados sozinhos são suficientes; a combinação de ambos é essencial para o desempenho robusto.
Dados Reais: Avaliação realizada em dois conjuntos de dados reais (ambiente de escritório e ambiente de fábrica) coletados com dispositivos comerciais (ESP32, Raspberry Pi, etc.), e não apenas em simulações.

4. Resultados Experimentais

Os experimentos foram conduzidos em dois cenários:

Ambiente de Escritório: Tarefa de estimativa de posição 1D (1 pessoa, 8 estações).
Ambiente de Fábrica: Tarefa de geração de imagem (5 pessoas, 9 estações).

Principais achados:

Robustez à Ausência de Estações: O método proposto manteve baixos erros (RMSE) mesmo quando mais da metade das estações estava indisponível na inferência. Em contraste, métodos baseados apenas em supervisão ou aumento de dados convencional degradaram-se severamente.
Robustez à Escassez de Rótulos: O método superou significativamente os métodos supervisionados e outros métodos SSL (como AutoFi e DAE) quando a quantidade de dados rotulados foi reduzida drasticamente (ex: 0,1% a 10% dos dados).
Sinergia Necessária: A ablação mostrou que usar apenas o CroSSL (pré-treinamento) ou apenas o SMA (aumento) resultou em desempenho inferior. A combinação foi a única a manter a estabilidade em todas as condições de missingness e escassez de rótulos.
Visualização: Análises de PCA mostraram que, enquanto os dados brutos de CSI tornam-se irregulares e agrupados por padrões de falta de dados, os embeddings aprendidos pelo modelo proposto mantêm uma estrutura suave e consistente alinhada com o rótulo verdadeiro, independentemente de quantas estações estão disponíveis.

5. Significado e Impacto

Este trabalho fornece uma base prática e robusta para a implantação de sistemas de sensoriamento WiFi em cenários do mundo real. Ao explicitamente incorporar a indisponibilidade de estações tanto no aprendizado de representações quanto no treinamento supervisionado, o framework permite que sistemas de sensoriamento multi-estação funcionem de forma confiável mesmo em redes com contenção, dispositivos instáveis ou com poucos dados rotulados disponíveis. Isso remove uma barreira significativa para a adoção em larga escala de tecnologias de sensoriamento baseadas em WiFi em ambientes industriais e corporativos.