Resumo Técnico: Sensoriamento WiFi Eficiente em Recursos através da Exploração da Idade das Amostras

Declaração do Problema

O sensoriamento de Informação de Estado do Canal (CSI) via WiFi é uma técnica poderosa para inferir atividade humana e identidade sem dispositivos vestíveis. No entanto, os modelos de alta precisão existentes tipicamente assumem amostragem de CSI densa, regular e de alta taxa. Em cenários práticos, particularmente com a padronização do Sensoriamento e Comunicação Integrados (ISAC) no IEEE 802.11bf, o sensoriamento deve coexistir com a comunicação de dados. Essa coexistência impõe um orçamento médio de sensoriamento estrito, limitando a fração de intervalos de tempo disponíveis para a aquisição de medições de CSI frescas. Além disso, a perda de pacotes e as irregularidades impulsionadas pelo tráfego resultam em intervalos de amostragem não uniformes.

As abordagens atuais para CSI esparso ou irregular geralmente se dividem em três categorias:

1. Métodos de reconstrução: Tentam recuperar o CSI denso a partir de dados esparsos antes da inferência, introduzindo complexidade computacional e potenciais erros de reconstrução.
2. Métodos de seleção de recursos: Podem podar subportadoras ou antenas, mas frequentemente ignoram as taxas de amostragem temporal.
3. Modelos de atenção sensíveis ao tempo (ex: UniFi): Incorporam carimbos de tempo absolutos e interpolam os dados em uma grade uniforme. No entanto, esses métodos não avaliam explicitamente a precisão como uma função de um orçamento médio de sensoriamento, nem utilizam a Idade da Informação (Age of Information - AoI) — o tempo decorrido desde que uma amostra foi capturada — como uma característica treinável.

Consequentemente, há a necessidade de um framework de sensoriamento que considere explicitamente o frescor da amostra (AoI) sob restrições rigorosas de recursos, sem incorrer em uma sobrecarga computacional significativa.

Metodologia

Modelo de Sistema e Restrições de Amostragem

Os autores formulam o problema dentro de uma sessão de medição de $T$ intervalos de tempo discretos. Um orçamento médio de sensoriamento $\alpha \in (0, 1]$ restringe a fração de intervalos onde amostras de CSI são adquiridas. Duas políticas de amostragem fixas são consideradas para modelar diferentes regimes práticos:

• Política Determinística (Acumulada/Bresenham): Espalha $M$ intervalos sentidos de forma quase uniforme ao longo da sessão, modelando o sensoriamento dedicado agendado.
• Política Estocástica (Bernoulli): Amostra intervalos independentemente com probabilidade $\alpha$, modelando a perda de pacotes aleatória e as irregularidades impulsionadas pelo tráfego.

A "idade" do $m$-ésimo quadro sentido, $\delta(t_m)$, é definida como o tempo decorrido desde sua captura em relação ao instante de decisão ($T-1$): $\delta(t_m) = (T-1) - t_m$. Esta métrica é tratada como um sinal lateral de custo zero disponível na camada MAC.

Framework Proposto: Sensoriamento WiFi Sensível à Idade

Os autores propõem um framework de baixo custo e sensível à idade que incorpora explicitamente o frescor da amostra no treinamento do modelo. A arquitetura consiste em:

1. Observação Empacotada: Em vez de carregar quadros obsoletos através de intervalos não sentidos, a entrada é um conjunto empacotado de $M$ quadros sentidos, cada um rotulado com sua idade: $X = \{(X(t_m), \delta(t_m))\}_{m=1}^M$.
2. Codificador de CSI: Uma rede neural convolucional (CNN) que processa o tensor de CSI empacotado (antenas $\times$ subportadoras $\times$ quadros) para produzir um embedding de conteúdo de movimento ($e_{csi}$). O pooling médio adaptativo garante que o modelo aceite números variáveis de quadros ($M$) enquanto produz um embedding de tamanho fixo.
3. Codificador de Idade: Um ramo leve que mapeia valores escalares de idade $\delta(t_m)$ para um embedding de confiabilidade ($e_a \in (0, 1)^d$). Isso é alcançado via uma camada linear compartilhada, normalização por lote (batch normalization) e uma ativação sigmoide, seguido de uma média sobre a sessão. O resultado representa um peso de confiabilidade por dimensão baseado na obsolescência.
4. Fusão Multiplicativa: Os embeddings de CSI e de idade são fundidos via um produto elemento a elemento (Hadamard): $e_f = e_{csi} \odot e_a$. Este design trata a idade como um "portão dependente de frescor", escalonando as características de CSI com base em sua confiabilidade, em vez de tratar a idade como uma modalidade independente.
5. Classificador: Um bloco pós-fusão (ReLU, LayerNorm, Dropout) mapeia o embedding fundido para pontuações de classe.

O framework adiciona parâmetros desprezíveis (apenas $4d$ escalares adicionais para $d=128$) e mantém uma complexidade computacional comparável a um modelo padrão de apenas CSI.

Principais Contribuições

• Formulação do Problema: O artigo formaliza o sensoriamento de CSI via WiFi sob um orçamento médio de sensoriamento, modelando explicitamente tanto o sensoriamento esparso agendado quanto a perda de pacotes aleatória.
• Arquitetura Sensível à Idade: Introduz um framework inovador e de baixo overhead que codifica a Idade da Informação (AoI) das amostras de CSI e a funde multiplicativamente com as características de CSI. Isso permite que o modelo atenue dinamicamente as características de amostras obsoletas.
• Implementação de Custo Zero: A abordagem utiliza informações de tempo já disponíveis na camada MAC, exigindo nenhum sinalização extra ou etapas complexas de reconstrução.
• Avaliação Abrangente: O método é avaliado em duas tarefas distintas (Reconhecimento de Atividade Humana e Identificação de Pessoa) utilizando os conjuntos de dados NTU-Fi sob regimes de amostragem determinística e estocástica.

Resultados Experimentais

O modelo proposto foi avaliado nos conjuntos de dados NTU-Fi Human Activity Recognition (HAR) e NTU-Fi HumanID. Foi comparado com:

1. Uma linha de base apenas CSI (CSI-only).
2. O estado da arte UniFi (mTAN), um modelo de atenção sensível ao tempo.
3. Uma linha de base Last-M (usando apenas os $M$ quadros mais recentes).

Principais Descobertas:

• Desempenho Superior: O modelo sensível à idade superou consistentemente tanto a linha de base apenas CSI quanto o benchmark UniFi em todos os regimes de amostragem e níveis de orçamento.
• Ganhos em Baixo Orçamento: A melhoria de desempenho foi mais significativa sob orçamentos de sensoriamento estritos. Para Identificação de Pessoa, o modelo proposto alcançou uma melhoria de até 10 pontos percentuais sobre o método UniFi. Sob amostragem acumulada em $\alpha=0.01$, o modelo sensível à idade manteve 80,7% de precisão, enquanto a linha de base apenas CSI caiu para 72,7% e o UniFi para 68,6%.
• Cobertura Temporal vs. Recência: Experimentos comparando a amostragem "Acumulada" (espalhada no tempo) vs. "Last-M" (concentrada no final) revelaram que cobrir toda a sessão é mais crítico do que apenas usar quadros recentes. Com o mesmo número de quadros, a abordagem acumulada superou significativamente a abordagem Last-M.
• Sensibilidade à Tarefa: Os benefícios da sensibilidade à idade foram mais pronunciados na Identificação de Pessoa (uma tarefa temporalmente sensível que requer resolução de padrão de marcha) do que no Reconhecimento de Atividade.

Significância e Alegações

O artigo afirma que a inferência sensível ao frescor é uma abordagem eficaz e prática para manter a precisão do sensoriamento quando a disponibilidade de CSI é limitada ou irregular. Ao modelar explicitamente a "idade" das amostras, o framework proposto adapta-se às restrições de recursos sem a latência ou complexidade da reconstrução de dados.

Os autores enfatizam que sua abordagem é particularmente valiosa no contexto do IEEE 802.11bf, onde o sensoriamento e a comunicação devem compartilhar o meio. A capacidade de manter alta precisão mesmo em orçamentos de sensoriamento muito baixos (ex: $\alpha=0.01$) demonstra que o mecanismo proposto de sensibilidade à idade mitiga efetivamente a degradação causada pela amostragem esparsa e irregular, ofereando uma solução eficiente em recursos para implantações reais de ISAC.