La précision du WiFi sensing décrit la fréquence à laquelle une inférence correspond à une référence définie. L'inférence peut concerner une pièce occupée ou vide, une classe de mouvement, une zone, un geste, une tendance respiratoire ou une position. Chaque tâche demande ses propres étiquettes, métriques et erreurs acceptables. Dire qu'un système est précis à 95 % sans nommer la tâche ni le découpage des données cache plus de choses qu'il n'en explique.
Le bon point de départ est d'écrire la revendication avant de recueillir le CSI. Décidez ce qui constitue un positif, le coût d'une fausse alerte, les personnes ou pièces qui doivent généraliser, et si la sortie est une classification, une régression ou une visualisation de recherche. Conservez ensuite une mesure de référence, un journal d'étiquettes propre et une session de test séparée que le réglage ne voit jamais.
Ce guide porte sur une évaluation répétable du WiFi sensing : un rapport transparent, reproductible, avec des erreurs visibles et des limites claires.
Que signifie réellement la précision du WiFi sensing ?
La précision relie une prédiction à une étiquette de référence. Pour la détection de présence, l'étiquette peut indiquer qu'une pièce est vide ou occupée pendant un intervalle enregistré. Pour la reconnaissance de gestes, elle peut être l'un de plusieurs gestes dont le début et la fin sont marqués. Pour le positionnement intérieur, elle peut être une zone ou une coordonnée mesurée par une référence distincte. Le signal radio n'est pas la vérité : c'est l'observation utilisée pour produire une inférence.
Le seuil change le sens de la précision : un détecteur qui manque peu d'occupants peut créer davantage de fausses alertes. Indiquez tâche, étiquettes, seuil, fenêtre temporelle et conditions à côté de chaque métrique.
- Définissez d'abord une sortie : classe, zone, coordonnée, nombre ou estimation continue.
- Nommez l'étiquette de référence et l'intervalle sur lequel la prédiction est évaluée.
- Notez le seuil, l'équilibre des classes et les conditions exclues.
- Considérez la précision comme une preuve conditionnelle, pas comme une propriété permanente d'un appareil WiFi.
Quelles métriques un test de WiFi sensing doit-il rapporter ?
Choisissez des métriques selon le coût de chaque erreur. La précision globale peut cacher une classe rare ou un détecteur qui choisit toujours la majorité. Une matrice de confusion montre les classes confondues ; la précision, le rappel et le F1 décrivent les erreurs positives. Avec des données déséquilibrées, le rappel par classe ou la balanced accuracy vaut souvent mieux qu'un seul pourcentage.
Les tâches de régression et de localisation demandent d'autres mesures. Utilisez l'erreur absolue moyenne, l'erreur médiane ou un percentile pour une distance ou une estimation de taux. Pour un positionnement par zones, indiquez la part des prédictions dans une tolérance utile. Ne présentez jamais un score de classification comme une mesure en centimètres.
| Tâche | Métriques utiles | À examiner | Piège courant |
|---|---|---|---|
| Présence binaire | Précision, rappel, F1, balanced accuracy | Fausses alertes pendant les intervalles vides | Précision élevée due au déséquilibre des classes |
| Gestes ou activités | Rappel par classe, macro F1, matrice de confusion | Gestes ou personnes confondus | Ne rapporter que la classe la plus facile |
| Zone intérieure | Précision de zone, macro F1, erreur de distance | Confusion entre zones voisines et dérive | Appeler une zone grossière une coordonnée précise |
| Estimation d'un signal continu | MAE, erreur médiane, erreur percentile | Qualité du capteur de référence et valeurs atypiques | Cacher la distribution derrière une moyenne |
Construire un jeu de données qui teste la généralisation
Un modèle de WiFi sensing apprend les conditions de ses enregistrements. Si les fenêtres d'entraînement et de test viennent de la même marche, personne, pièce et minute, les fenêtres voisines partagent presque le même canal. Le score mesure alors la mémoire d'une session. Séparez au niveau de la revendication : session, jour, personne, pièce, agencement ou nœud.
Commencez avec une expérience assez petite pour être répétée. Capturez une base de pièce vide, annotez les activités ou les zones avec des horodatages et conservez avec le signal le canal, la largeur de bande, l'orientation des antennes, le firmware, la fréquence d'échantillonnage et les changements dans la pièce. Une séparation propre vaut mieux qu'un grand dossier de CSI non annoté.
- Utilisez une session séparée pour le score final ; ne l'utilisez pas pour régler le modèle.
- Ajoutez des cas négatifs : pièce vide, personne immobile, pertes de paquets et mouvement de fond sans intérêt.
- Si la revendication dépasse une personne ou une pièce, mettez explicitement de côté une personne, une pièce, un jour, un agencement ou un nœud.
- Figez la séparation avant de comparer filtres, caractéristiques, modèles ou seuils.
Une chaîne de base, du CSI au score
Une base rend les affirmations de précision auditables. Commencez par le chemin simple qui répond à la question : sélection des paquets, alignement temporel, nettoyage, fenêtre fixe et modèle transparent. Gardez le CSI original pour vérifier les filtres et ajustez toute normalisation uniquement sur l'entraînement.
Exécutez ce chemin sur les données séparées et sauvegardez prédictions et étiquettes. Gardez matrice de confusion, seuils, distribution des erreurs et exemples faux. Une base légère révèle l'instabilité du signal avant un modèle plus complexe.
- Enregistrez les pertes de paquets, sauts de temps, fenêtres manquantes et échantillons rejetés.
- Réglez échelle, sélection de caractéristiques et seuils uniquement avec l'entraînement.
- Conservez prédictions, étiquettes et tranches d'erreur, pas seulement le score final.
Les pièges qui rendent un résultat WiFi plus précis qu'il ne l'est
Le piège le plus fréquent est la fuite de données : une séparation aléatoire permet à des fenêtres voisines d'un même enregistrement d'apparaître dans l'entraînement et le test. Le déséquilibre des classes, une personne immobile ou une pièce réorganisée créent aussi des raccourcis. Ils aident au débogage, mais ne justifient pas une affirmation générale.
Le matériel et l'environnement dérivent aussi. Canal, bande, antennes, firmware, multipath, meubles, portes, ventilateurs, animaux et trafic voisin peuvent modifier le CSI. Mesurez cette sensibilité.
| Piège | Pourquoi le score monte | Correction |
|---|---|---|
| Fenêtres aléatoires d'une seule session | Des échantillons presque identiques franchissent la séparation | Réserver une session ou une journée entière |
| Raccourci de la classe majoritaire | La classe rare pèse peu dans la précision | Rapporter rappel par classe, macro F1 et confusion |
| Raccourci de la personne ou de la pièce | Le modèle reconnaît l'environnement et non la tâche | Séparer personne, pièce, agencement ou nœud |
| Calibration non enregistrée | Le seuil ou la base ne peut pas être reproduit | Versionner paramètres, fenêtre et redémarrage |
Un protocole pratique de validation
Pour un premier test, définissez quatre étapes : base, événement contrôlé, répétition séparée et changement de condition. Enregistrez l'état vide, exécutez plusieurs fois l'événement annoté, évaluez une session protégée, puis répétez après un changement réaliste : autre jour, autre personne, chaise déplacée ou redémarrage. Vous verrez si le modèle a appris le signal ou l'enregistrement d'origine.
Utilisez un modèle court : matériel, géométrie des nœuds, classes, fenêtre, règle de séparation, métriques, seuil, cas limites et vie privée. Pour une visualisation de recherche, décrivez l'incertitude au lieu d'inventer une précision.
- Base : répétez des enregistrements vides ou neutres et mesurez la dérive.
- Événement : annotez une activité, une zone ou un état avec une référence synchronisée.
- Répétition séparée : exécutez la chaîne sans changement sur une session protégée.
- Changement : testez un autre jour, une autre personne, un autre agencement, canal ou nœud.
- Rapport : publiez les erreurs, exclusions et conditions où le système ne doit pas être utilisé.
Vie privée et limites d'une affirmation de précision
Une inférence plus précise peut aussi révéler davantage sur les personnes. Occupation, mouvements, habitudes ou signaux respiratoires peuvent être sensibles même sans vidéo. Demandez le consentement, limitez la conservation, restreignez l'accès au CSI brut et aux prédictions, et expliquez ce qui est mesuré et inféré. Un test de précision ne doit pas devenir une surveillance silencieuse.
Sur RuView Blog, la précision est une question de recherche. Les guides CSI et de tâches détaillent capture et limites. Une démonstration ne prouve aucune sécurité médicale ou physique.
- Séparez un score de modèle d'une affirmation sur une personne ou un état de santé.
- Documentez consentement, conservation, suppression et accès aux données.
- Affichez confiance et incertitude lorsque le résultat est présenté à des utilisateurs.
- Arrêtez l'expérience si aucune référence ne permet de valider la revendication.
Références techniques et de recherche
FAQ sur la précision du WiFi sensing
Quelle est une bonne précision pour le WiFi sensing ?
Il n'existe pas de chiffre universel. Un résultat utile indique la tâche, les étiquettes, l'équilibre des classes, la séparation, la métrique et les conditions. Un score plus faible dans une pièce réellement séparée peut être plus instructif qu'un score élevé obtenu avec des fenêtres voisines d'une seule session.
Comment tester la précision du WiFi sensing ?
Définissez la sortie, recueillez un CSI annoté avec une base neutre, figez une session séparée, exécutez la même chaîne et publiez une matrice de confusion ou une distribution d'erreurs. Ajoutez une personne, une pièce, un jour ou un redémarrage différent si la revendication doit généraliser.
Pourquoi mon modèle fonctionne-t-il au laboratoire mais échoue-t-il chez moi ?
Le modèle a peut-être appris un raccourci lié à la pièce, à la personne, aux nœuds, au canal ou à la session. Vérifiez les fuites, la dérive de calibration, les meubles et le multipath, les pertes de paquets et la représentativité du découpage.
Puis-je publier un seul nombre de précision pour une démonstration ?
Seulement si la démonstration possède une tâche définie, des étiquettes de référence, une séparation documentée et une métrique adaptée à la sortie. Sinon, décrivez le comportement, les exemples et les limites au lieu d'inventer un benchmark.
Une haute précision rend-elle le WiFi sensing sûr pour la médecine ou la sécurité ?
Non. Ces usages demandent une validation propre au domaine, des contrôles de risque, des systèmes de référence, une revue de la vie privée et les certifications adaptées. Un score de recherche n'est pas une autorisation.