Ja, Channel State Information kann wiederholbare Änderungen durch eine Geste enthalten, und ein Klassifikator kann diese Änderungen lernen. Die schwierige Aufgabe ist nicht die Darstellung einer Wellenform, sondern eine stabile Erfassung mit passenden Paketen, wiederholbaren Labels und einem Test, der nicht nur Person, Raum oder Session wiedererkennt.
Für den ersten Versuch reichen drei bis sechs bewusste Gesten plus Ruhe oder unbekannt. Speichern Sie Zeitstempel, Session, Person, Abstand und Raum. Testen Sie anschließend eine Person oder einen Raum, die nicht im Training vorkamen. Für bloße Präsenz oder Bewegung passen die vorhandenen Präsenz- und Bewegungsleitfäden besser.
WIDAR3 und SignFi helfen bei reproduzierbaren Forschungsversuchen. Ihre Geräte, Sampling-Regeln und Räume sind jedoch keine Garantie für die eigene Installation. Jeder Messwert braucht eine bekannte Signalquelle, ein klares Label und einen passenden Split.
Was WiFi-CSI-Gestenerkennung tatsächlich erkennt
CSI beschreibt, wie sich ein Funkkanal über Subträger, Antennen und Zeit verändert. Eine Handbewegung ändert Mehrwege und Phasenbeziehungen. Das Modell sieht keine verständliche Geste, sondern ein Messfenster nach Filterung, Kalibrierung, Normalisierung und Merkmalsextraktion.
Eine Fünf-Gesten-Aufgabe, ein Zeichensprachdatensatz und eine Aktivitätserkennung im Raum sind unterschiedliche Aufgaben. Eine hohe Genauigkeit mit einer Person und einem Raum beweist keine Übertragbarkeit.
- Mit drei bis sechs Gesten sowie Ruhe oder unbekannt beginnen.
- Klasse, Konfidenz und einen unbekannten Zustand bei unklaren Fenstern ausgeben.
- Präsenz, Bewegung, Pose, Identität und Geste getrennt spezifizieren.
Von der Erfassung zu den Gestenklassen
Eine reproduzierbare Pipeline dokumentiert Paketquelle, CSI-Empfänger, Antennenposition, Kanal und Raum. Bewahren Sie Rohdaten oder eine möglichst frühe Version der Verarbeitung auf, damit ein gutes Ergebnis später geprüft werden kann.
Vorverarbeitung gehört zur Modellgrenze. Entfernen Sie fehlerhafte Pakete, normalisieren Sie vorsichtig und lernen Sie Parameter nur aus den Trainingsdaten. Eine Filterung über die komplette Aufnahme kann Testinformationen einschleusen.
- Firmware, Kanalbreite, Antennen, Paketquelle und Paketabstand protokollieren.
- Trainings- und Testtransformationen strikt trennen.
- Überlappende Fenster erst nach dem Session-Split bilden.
Hardware: CSI-Zugriff statt Marketingbezeichnung prüfen
Ein kompatibles ESP32-CSI-Setup ist ein günstiger Einstieg, wenn Board, ESP-IDF-Version, Firmware, Paketquelle und Antennenanordnung bekannt sind. Das Board liefert Messdaten, ist aber nicht automatisch ein fertiger Gestensensor.
Ein Linux-Rechner mit passender Netzwerkkarte kann einen anderen Erfassungspfad bieten. Ein Raspberry Pi kann Logging, Inferenz oder Anzeige übernehmen, ohne selbst CSI-Empfänger zu sein. Ordnen Sie Projekte als Capture-Tool, Datensatz, Modellcode oder Anwendung ein.
- Sicherstellen, dass echtes CSI und nicht nur RSSI verfügbar ist.
- Sender, Empfänger, Kanal und Abstand für die Baseline fixieren.
- Bei unklarer Hardware den ESP32-CSI-Leitfaden als Ausgangspunkt nutzen.
Datensätze und Labels: WIDAR3, SignFi und der eigene Raum
Öffentliche Datensätze helfen, Preprocessing und Modellideen zu vergleichen. WIDAR3 und SignFi liefern Forschungskontext, aber Hardware, Gesten, Sampling und Raum können von der eigenen Installation abweichen.
Für den Einsatz im eigenen Raum braucht es mehrere Sessions, unterschiedliche Geschwindigkeiten, Ruhe, Fehlbewegungen und negative Beispiele. Teilen Sie nach Person oder Session, bevor Sie überlappende Fenster erstellen.
- Für jede Geste eine kurze, gleichbleibende Anweisung verwenden.
- Ventilator, Tür, Haustier, Vorbeigehen und leerer Raum als Störfälle aufnehmen.
- Veröffentlichte Genauigkeit nicht als Garantie für den eigenen Raum darstellen.
Vorverarbeitung und Modelltraining
Beginnen Sie mit einer nachvollziehbaren Baseline: Amplituden- oder Phasenmerkmale, festes Fenster, einfacher Klassifikator und Konfusionsmatrix. Erst danach sollten komplexe CNN-, RNN- oder Attention-Modelle verglichen werden.
Augmentierung kann Robustheit verbessern, ersetzt aber keine echte Variation. Halten Sie eine Session zurück und berichten Sie Macro-F1, Klassenrückruf, Latenz, unbekannte Vorhersagen und Fehltrigger im Ruhezustand.
- Nach Session oder Person splitten, bevor Fenster überlappen.
- Verwechslungen zwischen ähnlichen Gesten und Ruhe prüfen.
- Vorverarbeitungsparameter nur aus Trainingsdaten bestimmen.
Über Personen und Räume hinweg validieren
Der wichtigste Test ist meist kein weiteres Fenster aus derselben Aufnahme. Prüfen Sie neue Personen, Räume, Tage, Empfängerpositionen und realistische negative Bewegungen. Der Test-Split sollte die geplante Einsatzgrenze abbilden.
Die Anweisung kann gleich bleiben, während Geschwindigkeit und Haltung natürlich variieren. Vergleichen Sie Klassenrückruf, Fehlalarme und typische Fehler. Ein unbekannter Zustand ist besser als eine selbstsichere Klasse für jedes Fenster.
- Ein Split innerhalb einer Session dient dem Debugging, nicht dem Generalisierungsnachweis.
- Ein Personensplit zeigt, ob der Stil einer Person gelernt wurde.
- Unbekannte und negative Fälle prüfen, ob das System eine Klassifikation ablehnen kann.
Grenzen, Datenschutz und ein sinnvoller nächster Schritt
CSI reagiert auf Geometrie, Firmware, Funkverkehr, Wände, Möbel, Antennen und Personen. Dieselbe Geste kann in einem anderen Raum anders aussehen; eine fremde Bewegung kann wie eine trainierte Klasse wirken. Daher ist das Verfahren keine Kamera-, Identitäts- oder Medizintechnik ohne eigene Nachweise.
Auch ohne Kamera können Funkdaten Anwesenheit, Bewegung und Routinen offenlegen. Bevorzugen Sie lokale Verarbeitung, kurze Aufbewahrung, Einwilligung und einen unbekannten Zustand. Beginnen Sie mit einer ESP32-Aufnahme oder einem öffentlichen Datensatz und schreiben Sie den Personen- und Raum-Split vor dem Training fest.
- Gestenvokabular, Raum, Personen und Hardware als Systemspezifikation behandeln.
- Keine Identität, Gesundheit oder verborgene Aktivität aus dem Klassifikator ableiten.
- Jede Kennzahl mit Split, Sessionzahl und Fehlerdefinition verknüpfen.
Technische Primärquellen
FAQ zur WiFi-CSI-Gestenerkennung
Ist WiFi-CSI-Gestenerkennung dasselbe wie WiFi-Bewegungserkennung?
Nein. Bewegungserkennung sucht nach einer Änderung, während Gestenerkennung ein Messfenster einer von mehreren definierten Klassen zuordnet.
Kann ein ESP32 Gesten allein erkennen?
Ein kompatibles ESP32-Board kann CSI erfassen. Für Erkennung braucht es außerdem Paketquelle, Labels, Vorverarbeitung, Modell und Validierung.
Wie viele Gesten sollte ein erster Datensatz enthalten?
Drei bis sechs Gesten plus Ruhe oder unbekannt sind ein sinnvoller Anfang. Weitere Klassen sollten erst nach Tests mit neuen Sessions und Personen folgen.
Welcher WiFi-CSI-Gestendatensatz ist der beste?
Es gibt keinen universellen besten Datensatz. Entscheidend sind passende Hardware, Gesten, Sampling-Regeln und Personen- oder Raumvielfalt; für den Einsatz sind lokale Daten nötig.
Warum funktioniert das Modell in einem Raum und nicht in einem anderen?
Mehrwege, Möbel, Antennenposition, Funkverkehr und Personen verändern das CSI. Ein Training ohne Raumwechsel kann die Umgebung statt der Geste lernen.
Kann WiFi-CSI eine Person identifizieren oder Gesundheit diagnostizieren?
Ein Gestenklassifikator sollte dafür nicht verwendet werden. Solche Aussagen benötigen eigene Aufgaben, Nachweise, Einwilligung, Datenschutz und unabhängige Validierung.