⚡ electrical engineering

Resource-Efficient WiFi CSI Sensing via Exploiting the Age of Samples

本文提出了一种低成本、感知年龄感知的 WiFi 感知框架，该框架通过在模型训练中显式地纳入样本新鲜度，以显著提高在由共存数据通信引起的严格感知速率约束下的行为识别与身份识别准确率。

原作者： Abolfazl Zakeri, Nhan Thanh Nguyen, Markku Juntti

发布于 2026-07-01

📖 1 分钟阅读☕ 轻松阅读

原作者： Abolfazl Zakeri, Nhan Thanh Nguyen, Markku Juntti

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

大局观： “繁忙餐厅”问题

想象一家繁忙的餐厅（WiFi 网络），其主要任务是为顾客提供食物（传输数据）。然而，老板还想利用同一家餐厅来观看监控摄像头，以观察人们是否在跳舞或走动（感知人类活动）。

问题在于，餐厅太忙了，以至于监控摄像头无法每秒钟都拍一张照片。有时摄像头会被服务员挡住，有时摄像头正忙于其他工作，有时它干脆漏掉了某一帧。这意味着安保团队必须基于陈旧、模糊或缺失的照片而非完美的连续视频流来做出决策。

这篇论文探讨的是：即使我们的照片稀疏且陈旧，我们如何仍然能够识别出人们正在做什么？

解决方案：了解你的照片“有多旧”

研究人员意识到，当你看到一张照片时，你会本能地知道它有多“新鲜”。一秒钟前拍的照片非常有用；而十分钟前拍的照片可能已经没用了，因为那个人可能已经移动了位置。

大多数现有的用于 WiFi 感知的 AI 模型试图通过观察照片来猜测发生了什么，但它们把旧照片和新照片看得一样对待。它们不知道照片已经过时了。

作者提出了一种新的 AI 模型，它就像一个智能照片编辑器。在查看图片之前，AI 会检查照片上的“时间戳”。

新鲜的照片： AI 会说：“这是新的！我会完全信任这张照片。”
陈旧的照片： AI 会说：“这太旧了。我会看一眼，但我不会那么信任它。”

他们称之为**“样本年龄”（Age of Samples）**。就像食物有保质期一样，WiFi 数据也有“年龄”。

它是如何运作的（配方）

论文描述了构建这种 AI 的具体方法：

设置： 他们模拟了一个场景，即 WiFi 系统被允许仅在 10% 的时间内拍摄照片（严格的预算限制）。在另外 90% 的时间里，它要么忙于处理数据，要么丢失了信号。
两种策略： 他们测试了照片丢失的两种方式：
- 定时方式： 摄像头按照完美的间隔进行拍照（就像时钟滴答作响一样）。
- 随机方式： 摄像头在随机的时间拍照，就像有人在试图抓拍时突然打了个喷嚏。
“年龄”技巧： 对于 AI 接收到的每一张照片，它都会精确计算从该照片拍摄至今经过了多少时间。它将这段时间转化为一个数字（“年龄得分”）。
融合： 该 AI 有两个协同工作的“大脑”：
- 大脑 A（CSI 编码器）： 观察照片中的形状和运动。
- 大脑 B（年龄编码器）： 观察“年龄得分”，以决定对照片的信任程度。
- 混合： 他们将这两个结果相乘。如果照片很旧，大脑 B 就会调低大脑 A 发现信息的“音量”。如果照片很新鲜，大脑 B 则会保持高音量。

结果：为什么这很重要

研究人员在两个涉及行走、奔跑、跌倒，甚至仅凭走路姿态识别“是谁”的真实世界数据集上进行了测试。

竞争对比： 他们将他们的“感知年龄（Age-Aware）”模型与以下模型进行了对比：
1. 一个忽略时间、只看图片的标准模型。
2. 一个试图猜测缺失间隙的高科技“UniFi”模型。
获胜者： “感知年龄”模型几乎在每次测试中都胜出了。
- 在严格限制下： 当系统非常繁忙且只能拍摄少量照片时，新模型在识别人物方面比现有最好的方法准确率高出 10%。
- “最后一张照片”测试： 他们还测试了一种 AI 仅查看最近照片的场景。即便如此，了解这些照片的“年龄”也能帮助 AI 比盲目观察图像表现得更好。

核心结论

这篇论文证明了，你不需要一个完美、高速的摄像头就能通过 WiFi 识别人类活动。你只需要教会计算机理解它的信息有多旧。

通过为 AI 添加一个简单的“新鲜度检查”，系统在处理混乱、中断或缓慢的数据时会变得更加聪明。这是一种低成本的升级，让 WiFi 感知在数据经常丢失、网络经常拥挤的现实世界中变得更加可靠。

技术摘要：利用样本年龄实现资源高效的 WiFi CSI 感知

问题陈述

WiFi 信道状态信息（CSI）感知是一种无需穿戴设备即可推断人类活动和身份的强大技术。然而，现有的高精度模型通常假设密集、规则且高速率的 CSI 采样。在实际场景中，特别是随着 IEEE 802.11bf 中集成传感与通信（ISAC）的标准化的实施，感知必须与数据通信共存。这种共存对平均感知预算提出了严格限制，即限制了用于获取新鲜 CSI 测量值的时隙比例。此外，丢包和流量驱动的不规则性导致了非均匀的采样间隔。

目前的稀疏或不规则 CSI 处理方法大致分为三类：

重构方法： 试图在推理前从稀疏数据中恢复出密集的 CSI，这引入了计算复杂性和潜在的重构误差。
资源选择方法： 剪枝子载波或天线，但通常忽略了时间采样率。
时间感知注意力模型（如 UniFi）： 将绝对时间戳嵌入并将数据插值到均匀网格上。然而，这些方法并未明确评估准确率如何随平均感知预算变化，也未将信息年龄（Age of Information, AoI）——即自样本采集以来经过的时间——作为可训练特征进行利用。

因此，需要一种能够显式考虑严格资源约束下的样本新鲜度（AoI），且不会产生显著计算开销的感知框架。

方法论

系统模型与采样约束

作者在 $T$ 个离散时隙的测量会话内构建了问题模型。一个平均感知预算 $\alpha \in (0, 1]$ 约束了获取 CSI 样本的时隙比例。研究考虑了两种固定采样策略，以模拟不同的实际场景：

确定性（累积/布雷森汉姆）策略： 在整个会话期间近乎均匀地分布 $M$ 个感知时隙，模拟计划内的专用感知。
随机（伯努利）策略： 以概率 $\alpha$ 独立采样时隙，模拟随机丢包和流量驱动的不规则性。

第 $m$ 个感知帧的“年龄” $\delta(t_m)$ 定义为相对于决策时刻（ $T-1$ ）自其捕获以来经过的时间： $\delta(t_m) = (T-1) - t_m$ 。该指标被视为在 MAC 层可获得的零开销侧信道信号。

提议框架：年龄感知 WiFi 感知

作者提出了一个低成本、年龄感知的框架，该框架将样本新鲜度显式地纳入模型训练中。其架构由以下部分组成：

打包观测（Packed Observation）： 输入不再是携带未感知时隙的陈旧帧，而是一个打包的 $M$ 个感知帧集合，每个帧都带有其年龄标签： $X = \{(X(t_m), \delta(t_m))\}_{m=1}^M$ 。
CSI 编码器： 一个卷积神经网络（CNN），用于处理打包的 CSI 张量（天线 $\times$ 子载波 $\times$ 帧），以生成运动内容嵌入（ $e_{csi}$ ）。自适应平均池化确保模型可以接受可变数量的帧（ $M$ ）同时输出固定大小的嵌入。
年龄编码器： 一个轻量级分支，将标量年龄值 $\delta(t_m)$ 映射为可靠性嵌入（ $e_a \in (0, 1)^d$ ）。这是通过一个共享线性层、批归一化（Batch Normalization）和 Sigmoid 激活函数实现的，随后在整个会话内进行平均。其输出代表了基于陈旧程度的每维度可靠性权重。
乘性融合（Multiplicative Fusion）： 通过元素级（Hadamard）积将 CSI 和年龄嵌入进行融合： $e_f = e_{csi} \odot e_a$ 。这种设计将年龄视为一种“依赖于新鲜度的门控”，根据其可靠性对 CSI 特征进行缩放，而非将其视为一个独立的模态。
分类器： 后融合模块（ReLU, LayerNorm, Dropout）将融合后的嵌入映射到类别得分。

该框架增加的参数极少（对于 $d=128$ 仅增加了 $4d$ 个标量），且保持了与标准仅 CSI 模型相当的计算复杂度。

核心贡献

问题形式化： 本文在平均感知预算约束下形式化了 WiFi CSI 感知问题，显式地模拟了计划内的稀疏感知和随机丢包。
年龄感知架构： 引入了一种新型、低开销的框架，该框架编码了 CSI 样本的信息年龄（AoI），并将其与 CSI 特征进行乘性融合。这使得模型能够动态地衰减来自陈旧样本的特征。
零开销实现： 该方法利用了 MAC 层已有的定时信息，无需额外的信号传输或复杂的重构步骤。
全面评估： 该方法在两种不同的任务（人类活动识别和人员识别）上，针对 NTU-Fi 数据集，在两种确定性和随机采样机制下进行了评估。

实验结果

所提模型在 NTU-Fi 人类活动识别 (HAR) 和 NTU-Fi 人员识别 (HumanID) 数据集上进行了评估。其基准测试对象包括：

仅 CSI (CSI-only) 基准。
最先进的 UniFi (mTAN) 时间感知注意力模型。
最后 M 帧 (Last-M) 基准（仅使用最近的 $M$ 帧）。

主要发现：

卓越性能： 在所有采样机制和预算水平下，该年龄感知模型均一致优于仅 CSI 基准和 UniFi 基准。
低预算下的增益： 在严格的感知预算下，性能提升最为显著。对于人员识别，所提模型比 UniFi 方法实现了高达 10 个百分点 的提升。在累积采样且 $\alpha=0.01$ 时，年龄感知模型保持了 80.7% 的准确率，而仅 CSI 基准降至 72.7%，UniFi 降至 68.6%。
时间覆盖度 vs. 实时性： 对比“累积”采样（分布在整个时间段）与“最后 M 帧”（集中在末尾）的实验表明，覆盖整个会话比仅仅使用最近的帧更为关键。在等帧数的情况下，累积方法的表现显著优于 Last-M 方法。
任务敏感性： 年龄感知的益处在人员识别（一种需要步态模式分辨率的时间敏感型任务）中比在活动识别中更为明显。

意义与主张

本文主张，新鲜度感知推理是在 CSI 可用性受限或不规则时，维持感知准确性的有效且实用的方法。通过显式建模样本的“年龄”，所提框架能够在不引入延迟或复杂重构的情况下适应资源约束。

作者强调，该方法在 IEEE 802.11bf 背景下特别具有价值，因为在该标准下，感知与通信必须共享介质。即使在极低的感知预算（如 $\alpha=0.01$ ）下也能保持高准确率的能力，证明了所提年龄感知机制能有效缓解由稀疏和不规则采样导致的性能下降，为现实世界的 ISAC 部署提供了一种资源高效的解决方案。