L'accuratezza del WiFi sensing indica quanto spesso un'inferenza corrisponde a un riferimento definito. L'inferenza può riguardare presenza o assenza, una classe di movimento, una zona, un gesto, una tendenza respiratoria o una posizione. Ogni compito richiede etichette, metriche ed errori accettabili propri. Dire che un sistema è accurato al 95% senza indicare compito e suddivisione del test nasconde più di quanto spieghi.
Il punto di partenza pratico è scrivere la tesi prima di raccogliere il CSI. Decidi cosa conta come positivo, quanto costa un falso allarme, quali persone o stanze devono generalizzare e se l'output è classificazione, regressione o visualizzazione di ricerca. Conserva poi una registrazione baseline, un registro pulito delle etichette e una sessione separata che il modello non vede durante la taratura.
Questa guida riguarda una valutazione ripetibile del WiFi sensing: un report trasparente e riproducibile con errori e limiti espliciti.
Che cosa significa davvero l'accuratezza del WiFi sensing?
L'accuratezza è il rapporto tra una previsione e un'etichetta di riferimento. Per il rilevamento della presenza, l'etichetta può indicare una stanza vuota o occupata durante un intervallo registrato. Per il riconoscimento dei gesti, può essere una classe tra diverse, con inizio e fine marcati. Per il posizionamento indoor, può essere una zona o una coordinata misurata con un riferimento separato. Il segnale radio non è la verità: è l'osservazione usata per ottenere un'inferenza.
Anche la soglia decisionale cambia il significato dell'accuratezza. Un rilevatore regolato per non perdere occupanti può produrre più falsi allarmi, e un punteggio di laboratorio può fallire con un'altra persona o stanza. Accanto a ogni metrica indica compito, etichette, soglia, finestra temporale e condizioni del test.
- Definisci prima un output: classe, zona, coordinata, conteggio o stima continua.
- Nomina l'etichetta di riferimento e l'intervallo sul quale valuti la previsione.
- Registra soglia, bilanciamento delle classi e condizioni escluse.
- Considera l'accuratezza come evidenza condizionata, non come proprietà permanente di un dispositivo WiFi.
Quali metriche deve riportare un test di WiFi sensing?
Scegli metriche che riflettano il costo di ogni errore. L'accuratezza complessiva è facile da leggere, ma può nascondere una classe rara o un rilevatore che sceglie sempre la classe maggioritaria. Una matrice di confusione mostra quali classi vengono scambiate. La precision indica quanti positivi dichiarati sono corretti; il recall indica quanti positivi reali vengono trovati; F1 bilancia i due valori. In un dataset di presenza sbilanciato, il recall per classe o la balanced accuracy possono essere più utili di una sola percentuale.
I compiti di regressione e localizzazione hanno bisogno di misure diverse. Usa errore assoluto medio, errore mediano o un percentile per una distanza o una stima di frequenza. Per il posizionamento a zone, indica la quota di previsioni entro una tolleranza utile. Non presentare mai un punteggio di classificazione come se fosse una misura in centimetri.
| Compito | Metriche utili | Cosa controllare | Errore comune |
|---|---|---|---|
| Presenza binaria | Precision, recall, F1, balanced accuracy | Falsi allarmi negli intervalli vuoti | Accuratezza alta per classi sbilanciate |
| Gesti o attività | Recall per classe, macro F1, matrice di confusione | Gesti o persone confusi | Riportare solo la classe più semplice |
| Zona della stanza | Accuratezza di zona, macro F1, errore di distanza | Confusione tra zone vicine e deriva | Chiamare coordinata precisa una zona ampia |
| Stima di segnale continuo | MAE, errore mediano, errore percentile | Qualità del sensore di riferimento e outlier | Nascondere la distribuzione dietro una media |
Costruire un dataset che verifichi la generalizzazione
Un modello di WiFi sensing impara le condizioni presenti nelle registrazioni. Se ogni finestra di training e test proviene dalla stessa camminata, persona, stanza e minuto, le finestre vicine possono condividere quasi lo stesso canale. Il punteggio misura la memoria della sessione più della generalizzazione. Suddividi al livello che serve alla tua tesi: sessione, giorno, persona, stanza, disposizione o posizione del nodo.
Inizia con un esperimento abbastanza piccolo da essere ripetuto. Registra una baseline della stanza vuota, assegna timestamp alle attività o alle zone e conserva con il segnale canale, larghezza di banda, orientamento delle antenne, firmware, frequenza di campionamento e cambiamenti della stanza. Una separazione pulita vale più di una grande cartella di CSI senza etichette.
- Usa una sessione separata per il punteggio finale e non per la taratura.
- Aggiungi casi negativi come stanza vuota, persona ferma, perdita di pacchetti e movimento di sfondo innocuo.
- Se la tesi è più ampia di una persona o una stanza, lascia fuori dal training una persona, stanza, giorno, disposizione o nodo in modo esplicito.
- Blocca la suddivisione prima di confrontare filtri, caratteristiche, modelli o soglie.
Una pipeline baseline dal CSI al punteggio
Una baseline rende più facili da verificare le dichiarazioni di accuratezza. Parti dal percorso di caratteristiche più semplice che risponda alla domanda: selezione dei pacchetti, allineamento temporale, pulizia di base, finestra fissa e modello trasparente. Conserva il CSI originale o elaborato al minimo per poter controllare un filtro. Se serve normalizzare, regola i parametri solo sulla parte di training.
Esegui poi lo stesso percorso sui dati separati e salva le previsioni con le etichette. Conserva matrice di confusione, scansione delle soglie, distribuzione degli errori ed esempi di previsioni sbagliate. Una baseline leggera può rivelare che il segnale non è stabile prima che un modello grande renda il report più difficile da interpretare.
- Registra perdita di pacchetti, salti temporali, finestre mancanti e campioni scartati.
- Regola scala, selezione delle caratteristiche e soglie solo con il training.
- Conserva previsioni, etichette e sezioni di errore, non soltanto il punteggio finale.
Le trappole che fanno sembrare più accurato un risultato WiFi
La trappola più comune è la fuga di dati: una divisione casuale può mettere finestre vicine della stessa registrazione sia nel training sia nel test. Sbilanciamento delle classi, una persona ferma o una stanza riordinata creano altri shortcut. Sono utili per il debug, non per una tesi ampia.
Anche hardware e ambiente cambiano. Canale, larghezza di banda, antenne, firmware, multipath, mobili, porte, ventilatori, animali e traffico estraneo possono alterare il CSI. Misura questa sensibilità invece di trattarla come un'eccezione scomoda.
| Trappola | Perché alza il punteggio | Correzione |
|---|---|---|
| Finestre casuali di una sessione | Campioni quasi identici attraversano la divisione | Riserva un'intera sessione o giornata |
| Scorciatoia della classe maggioritaria | La classe rara pesa poco nell'accuratezza | Riporta recall per classe, macro F1 e confusione |
| Scorciatoia di persona o stanza | Il modello riconosce l'ambiente, non il compito | Separa persona, stanza, disposizione o nodo |
| Calibrazione non registrata | Soglia e baseline non sono riproducibili | Versiona parametri, finestra e riavvio |
Un protocollo pratico di validazione
Per il primo test definisci quattro passaggi: baseline, evento controllato, ripetizione separata e cambio di condizione. Registra lo stato vuoto, esegui più volte l'evento con etichetta, valuta una sessione protetta e ripeti dopo un cambiamento realistico: altro giorno, altra persona, una sedia spostata o un riavvio. Capirai se il modello ha imparato il segnale o la registrazione originale.
Usa un modello breve: hardware e percorso di acquisizione, geometria dei nodi, classi, finestra, regola di divisione, definizioni delle metriche, soglia, casi migliori e peggiori e trattamento della privacy. Se il risultato è una visualizzazione di ricerca, descrivi l'incertezza invece di inventare una precisione.
- Baseline: ripeti registrazioni vuote o neutre e misura la deriva.
- Evento: assegna un'etichetta ad attività, zona o stato con un riferimento sincronizzato.
- Ripetizione separata: esegui lo stesso percorso senza cambiamenti in una sessione protetta.
- Cambio: prova un altro giorno, persona, disposizione, canale o nodo.
- Report: pubblica errori, esclusioni e condizioni in cui non usare il sistema.
Privacy e confini di una dichiarazione di accuratezza
Un'inferenza più accurata può rivelare di più sulle persone. Presenza, movimenti, abitudini o segnali respiratori possono essere sensibili anche senza registrare video. Chiedi il consenso, limita la conservazione, restringi l'accesso al CSI grezzo e alle previsioni e spiega che cosa viene misurato e inferito. Un test di accuratezza non deve trasformarsi in sorveglianza senza che nessuno se ne accorga.
Su RuView Blog l'accuratezza è una domanda di ricerca. Usa le guide CSI e dispositivi per l'acquisizione e quelle su rilevamento umano, posizionamento o mappatura per i limiti del compito. Una demo funzionante non dimostra sicurezza medica, dell'identità o fisica.
- Separa il punteggio del modello da una dichiarazione su una persona o uno stato di salute.
- Documenta consenso, conservazione, cancellazione e accesso ai dati.
- Mostra confidenza e incertezza quando il risultato arriva agli utenti.
- Ferma l'esperimento se non esiste un riferimento adatto a validare la dichiarazione.
Riferimenti tecnici e di ricerca
FAQ sull'accuratezza del WiFi sensing
Qual è una buona accuratezza per il WiFi sensing?
Non esiste un numero universale. Un risultato utile dichiara compito, etichette, bilanciamento delle classi, divisione, metrica e condizioni. Un punteggio più basso in una stanza separata e realistica può essere più informativo di un numero alto ottenuto da finestre vicine di una sessione.
Come posso testare l'accuratezza del WiFi sensing?
Definisci l'output, raccogli CSI etichettato con una baseline neutra, blocca una sessione separata, esegui la stessa pipeline e pubblica una matrice di confusione o una distribuzione degli errori. Aggiungi persona, stanza, giorno o nodo diversi se la tesi deve generalizzare.
Perché il mio modello funziona in laboratorio ma fallisce a casa?
Potrebbe aver imparato una scorciatoia legata a stanza, persona, nodo, canale o sessione. Controlla perdite di dati, deriva della calibrazione, mobili e multipath, perdita di pacchetti e rappresentatività della divisione rispetto alle condizioni di casa.
Posso riportare un solo numero di accuratezza per una demo?
Solo se la demo ha un compito definito, etichette di riferimento, una divisione documentata e una metrica adatta all'output. Altrimenti descrivi comportamento, esempi e limiti invece di inventare un benchmark.
Un'accuratezza alta rende il WiFi sensing sicuro per medicina o sicurezza?
No. Questi usi richiedono validazione specifica, controlli del rischio, sistemi di riferimento, revisione della privacy e certificazioni appropriate. Un punteggio di ricerca non è un'autorizzazione.