Die WiFi-CSI-Merkmalsextraktion wandelt komplexe Kanalwerte in Zahlen um, die Veränderungen über die Zeit, zwischen Unterträgern oder Antennenpaaren beschreiben. Das Ziel ist keine glattere Grafik. Entscheidend ist, für die Aufgabe relevante Änderungen zu erhalten und Filter, Kalibrierung, Zeitfenster und Labels festzuhalten, aus denen sie entstanden sind.
Speichere rohe CSI-Daten, bereinigte CSI-Daten und abgeleitete Merkmale getrennt. So lässt sich eine Amplitudenbasis mit einer phasenbewussten Darstellung vergleichen, Leckage durch veränderte Räume erkennen und ein Ergebnis nach Änderungen an Router, Board oder Firmware wiederholen. Diese Vorgehensweise verbindet ESP32-Erfassung, Datensätze und RuView-Interpretation, ohne eine Visualisierung als Kamerabild oder medizinische Messung auszugeben.
Was sich bei der WiFi-CSI-Merkmalsextraktion ändert
Ein CSI-Datensatz enthält meist einen komplexen Wert je Unterträger und Antennenpaar zum Zeitpunkt eines Pakets. Daraus lassen sich Betrag, oft Amplitude genannt, und Phase ableiten. Amplitude ist häufig der einfachere Einstieg. Die Phase kann feinere Informationen über Signalwege enthalten, aber auch Fehler durch Takt und Trägersynchronisation. Keine der beiden Größen ist automatisch ein Merkmal für einen Menschen.
Die Merkmalsextraktion schafft eine nützliche Grenze nach der Erfassung. Die Paketprüfung kontrolliert einzelne Datensätze. Die Vorverarbeitung verringert bekannte Empfänger- oder Umgebungsartefakte. Ein Zeitfenster fasst eine Sequenz als vergleichbare Probe zusammen. Die Merkmalsberechnung verdichtet dieses Fenster für Regeln, Klassifikatoren, Regression oder Visualisierungen. Wenn diese Schritte getrennt sind, verstecken Modellwerte keine undokumentierten Transformationen.
- Speichere Zeitstempel, Unterträgerindex, Antennen, Kanal, Bandbreite und Firmware bei jeder Probe.
- Behandle Amplitude, rohe Phase, kalibrierte Phase und berechnete Merkmale als unterschiedliche Daten.
- Lege die Aufgabe zuerst fest: Anwesenheit, Bewegung, Geste, Position oder kontinuierlicher Schätzwert.
- Stelle Merkmale ohne Referenzlabels und Validierung nicht als direkte Personenmessung dar.
CSI-Vorverarbeitung in vier klaren Schritten
Eine kleine, sichtbare Pipeline lässt sich leichter prüfen als ein Notebook mit verborgenen Transformationen. Verwirf fehlerhafte Datensätze und gleiche Zeitstempel ab. Bereinige danach Amplitude und Phase mit Verfahren, die zu den tatsächlich beobachteten Empfängerfehlern passen. Lege dann Fensterlänge und Schrittweite fest. Berechne zuletzt die Merkmale und speichere die Einstellungen für jede Datenaufteilung.
Die Reihenfolge ist wichtig. Filterung vor der zeitlichen Ausrichtung kann Paketlücken verdecken. Ein Skalierer, der auf allen Daten angepasst wurde, leakt Testinformationen. Eine Phasenfunktion vor der Kalibrierung kann Hardwaredrift als Bewegung abbilden. Die folgende Grafik ist eine Prüfliste und keine allgemeine Rezeptur. Nutze zunächst nur den Ablauf, der die erste Frage beantwortet.
| Schritt | Eingabe | Zu speichernde Ausgabe | Typischer Fehler |
|---|---|---|---|
| Prüfen | Rohe Paketdatensätze | Gültige Zeilen, Lücken, Metadaten | Fehlerhafte oder doppelte Proben |
| Bereinigen | Amplituden- und Phasenreihen | Filterwerte und kalibrierte Arrays | Signal zusammen mit Rauschen entfernen |
| Fenstern | Zeitlich geordnete Proben | Fensterlänge, Schrittweite, Labels | Fenster über einer Ereignisgrenze |
| Extrahieren | Ein festes Fenster | Merkmalsvektor und Schema | Unterschiedliche Skalierung |
Amplitudenmerkmale: mit einer stabilen Basis beginnen
Amplitudenmerkmale sind oft eine geeignete erste Basis, weil sie einen Teil der Mehrdeutigkeit roher Phase vermeiden. Notiere für ausgewählte Unterträger oder Antennenpaare Mittelpunkt, Streuung, Spannweite, Quantile oder zeitliche Differenzen. Ein Median- oder Hampel-Filter kann einzelne Spitzen reduzieren. Tiefpass oder Savitzky–Golay können schnelle Schwankungen dämpfen, wenn Grenzfrequenz, Abtastrate und Aufgabe zusammenpassen.
Glätte das Signal nicht nur, damit es besser aussieht. Ein Filter kann eine kurze Geste entfernen, ein Ereignis verzögern oder Paketverlust wie langsame Bewegung aussehen lassen. Speichere rohe Amplitude, gefilterte Variante und Einstellungen. Vergleiche einen leeren Raum, ein kontrolliertes Ereignis und einen negativen Kontrollfall wie Türbewegung oder Ventilator. So wird eine Amplitudenänderung nicht automatisch einer Person zugeschrieben.
- Fasse je Unterträger Mittelwert, Varianz, RMS, Dynamikbereich und robuste Quantile zusammen, wenn es zur Aufgabe passt.
- Dokumentiere Fenstergröße und Schwelle für Median- oder Hampel-Filter.
- Vergleiche mehrere Unterträger statt nur den lautesten auszuwählen.
- Bewahre die ursprünglichen Werte auf, damit jedes Merkmal auf die Erfassung zurückführbar bleibt.
Phasenmerkmale: entwirren und anschließend kalibrieren
CSI-Phase ist periodisch. Ein Sprung über die Grenze zwischen -pi und pi kann große Bewegung vortäuschen, obwohl sich der Signalweg gleichmäßig verändert hat. Phasenentwirrung entfernt diesen künstlichen Sprung. Zeit- und Trägerfrequenzfehler des Empfängers können weiterhin Steigung und Offset zwischen Unterträgern verursachen. Vor der Phasenanalyse sind daher mitunter Kalibrierung oder ein CSI-Verhältnis nötig.
Die richtige Frage ist nicht, ob Phase immer besser ist, sondern ob Signalqualität, Kalibrierung und Test die gewählte Funktion tragen. Studien zeigen unterschiedliche Rausch- und Rechenkosten für Amplitude, Phase und kombinierte Darstellungen. Beginne mit einer Amplitudenbasis und ergänze kalibrierte Phase als kontrollierten Vergleich. Berichte den zusätzlichen Aufwand, statt eine Verallgemeinerung der Kombination anzunehmen.
- Prüfe Unterträgerreihenfolge und Phasenkontinuität vor dem Entwirren.
- Notiere Kalibrierverfahren, Antennenpaar, Referenzträger und ausgeschlossene Randträger.
- Prüfe Phasenmerkmale an einer zurückgehaltenen Sitzung, da Hardwaredrift dominieren kann.
- Leite ohne fachspezifische Validierung keine Gesundheit, Identität oder Sicherheit aus Phase ab.
Fenster, Normalisierung und Merkmalsvektoren
Ein Modell verarbeitet selten nur ein Paket. Ein Fenster bündelt eine feste Zahl von Proben oder einen Zeitabschnitt, damit Verhalten vergleichbar zusammengefasst wird. Wähle den Zeitraum nach der Aufgabe: Ein kurzes Bewegungsereignis braucht ein anderes Fenster als langsame Anwesenheit oder Atemforschung. Halte Schrittweite und Labelregel fest, auch wenn ein Ereignis mitten im Fenster beginnt oder endet.
Passe Normalisierung nur an Trainingsdaten an und verwende dieselben Werte für Validierung und Test. Normalisierung pro Sitzung kann echte Drift verbergen; globale Werte können eine Umgebung in eine andere einfließen lassen. Bewahre Schema und Parameter auf. Ein kompakter Vektor lässt sich leichter prüfen als ein großes Tensorbild, kann aber zeitliche oder spektrale Informationen entfernen, die ein tiefes Modell benötigt.
| Merkmalsgruppe | Beispiele | Nützliche Frage | Vorsicht |
|---|---|---|---|
| Amplitudenstatistik | Mittelwert, RMS, Varianz, Spannweite, Quantile | Wie stark änderte sich der Kanalbetrag? | Verstärkungsdrift und Ausreißer |
| Phase und Kohärenz | Entwirrte Streuung, Phasendifferenz | Blieb der Signalweg konsistent? | Offsets und Antennenpaar |
| Zeitlich | Steigung, Spitzen, Nulldurchgänge, Autokorrelation | Was änderte sich im Fenster? | Lücken verfälschen Timing |
| Spektral | Bandenergie, Spitzenfrequenz, Schwerpunkt, Bandbreite | Welches Bewegungsband ist aktiv? | Stabile Abtastrate erforderlich |
Ein kompakter Merkmalsvektor für RuView-Experimente
Ein praktischer Vektor kann Amplitudenstatistik, Phasenkohärenz und eine Zusammenfassung der spektralen Leistungsdichte verbinden. Der RuView-Trainingscode beschreibt Felder wie Amplitudenspitze, RMS, Dynamikbereich, Phasenkohärenz, Gesamtleistung, Spitzenfrequenz, Schwerpunkt und Bandbreite. Das ist ein Beispiel für ein versioniertes Schema, keine Pflicht, genau zwölf Zahlen zu verwenden. Definiere jedes Feld, jede Achse, Skalierung und Regel für fehlende Werte vor dem Training.
Wenn sich ein Merkmal ändert, versioniere das Schema und wiederhole die Basisprüfung. Ein Name wie `phase_coherence` ist ohne Definition und Fensterkontext nicht reproduzierbar. Vergleiche den kompakten Vektor mit dem Originaltensor, damit die Kompression keine nützliche Variation entfernt.
- Benenne Merkmal, Achse, Skalierung und Quellfenster.
- Gib bei leeren oder degenerierten Fenstern endliche Werte zurück und protokolliere den Grund.
- Vergleiche Vektor und Tensor, um Informationsverlust zu erkennen.
Die Merkmalsverarbeitung vor einem größeren Modell prüfen
Teste die Verarbeitung wie ein Datenprodukt. Spiele eine feste Aufzeichnung erneut ab und prüfe, ob dieselbe Eingabe nach einem Neustart denselben Vektor ergibt. Ergänze wiederholte Bewegung, einen leeren Raum, Paketverlust und eine geänderte Bedingung. Prüfe vor dem Training fehlende Werte, Fensterzahl und Merkmalsbereiche.
Halte ganze Sitzungen, Tage, Personen, Räume oder Knotenpositionen zurück, wenn sich die Aussage verallgemeinern soll. Eine zufällige Teilung benachbarter Fenster kann nahezu identische Proben auf Training und Test verteilen und Ergebnisse aufblähen. Ein Merkmal ist erst nützlich, wenn sein Verhalten unter den versprochenen Bedingungen sichtbar bleibt.
- Führe eine deterministische Wiedergabe aus und vergleiche den Vektor mit definierter Toleranz.
- Miss Paketverlust, Zeitlücken, Kanaländerungen und Werte außerhalb des Bereichs.
- Fixiere Normalisierung und Merkmalsauswahl vor der Auswertung zurückgehaltener Daten.
- Protokolliere Fehlalarme durch Türen, Ventilatoren, Haustiere, Möbel oder normalen Netzwerkverkehr.
Technische Quellen
FAQ zur WiFi-CSI-Merkmalsextraktion
Was bedeutet WiFi-CSI-Merkmalsextraktion?
Sie wandelt bereinigte CSI-Fenster in messbare Werte um, zum Beispiel Amplitudenstatistik, Phasenkohärenz, zeitliche Änderungen oder spektrale Leistung. Schema und Vorverarbeitung müssen dokumentiert sein, damit sich das Ergebnis wiederholen lässt.
Sollte ich zuerst CSI-Amplitude oder Phase verwenden?
Beginne mit Amplitude als transparenter Basis und ergänze kalibrierte Phase als kontrollierten Vergleich. Phase kann Wegänderungen enthalten, aber Fehler beim Entwirren oder bei der Kalibrierung verhindern oft die Übertragbarkeit.
Wie lang sollte ein CSI-Merkmalsfenster sein?
Wähle die Länge passend zum Ereignis und dokumentiere die Schrittweite. Kurze Gesten, Anwesenheit und Atemforschung brauchen andere Zeiträume. Prüfe die Auswahl an zurückgehaltenen Sitzungen statt an einer einzelnen überzeugenden Grafik.
Muss CSI vor der Merkmalsextraktion gefiltert werden?
Eine Bereinigung kann erforderlich sein, aber es gibt keinen universellen Filter. Vergleiche rohe Basisdaten mit einem dokumentierten Median-, Hampel- oder Tiefpassverfahren und prüfe, ob es neben Rauschen auch das Zielereignis entfernt.
Können CSI-Merkmale Personen erkennen oder Gesundheit diagnostizieren?
Ein Merkmalsvektor beweist weder Identität noch Gesundheitszustand. Dafür braucht es eigene Datensätze, Referenzmessungen, Risikokontrollen, Datenschutzprüfung und fachliche Validierung. RuView-ähnliche Ausgaben bleiben experimentelle Signalinterpretation, solange keine stärkere Evidenz vorliegt.