Wi-Fi CSI信号処理ガイド

Wi-Fi CSIの特徴量抽出:生信号から信頼できる特徴量へ

Wi-Fi CSIの特徴量抽出は、パケット取得から検証可能なモデルへの橋渡しです。振幅と位相の分離、ノイズ除去、時間窓の作成、特徴量の設計を整理し、RuView型の実験で前提を記録する方法を紹介します。

CSIの振幅・位相の波形からコンパクトな特徴量統計へ変換する図
信号の変化を比較と検証に使える記録済みの値へ集約します。

Wi-Fi CSIの特徴量抽出では、パケットから得た複素数のチャネル測定を、時間やサブキャリア間の変化を表す値へ変換します。図を滑らかにすることが目的ではありません。タスクに必要な変化を保ち、使ったフィルター、校正、窓幅とラベルを記録することが大切です。

生のCSI、ノイズを処理したCSI、計算した特徴量は別々に保存してください。そうすれば振幅だけの基準と位相を含む表現を比較でき、部屋の変化によるデータ漏洩を調べ、ボードやルーター、ファームウェアが変わった後も実験を再現できます。ESP32の取得、公開データセット、RuView型の信号解釈をつなぐ場合も、可視化をカメラ画像や医療測定と誤解させません。

Wi-Fi CSIの特徴量抽出でデータはどう変わるか

Wi-Fi CSIの特徴量抽出では、パケット時刻ごとのサブキャリアとアンテナ対に複素数値を使います。そこから振幅と位相を導きます。振幅は基準を作りやすく、位相には経路の細かな情報が含まれることがありますが、時計や搬送波の同期ずれも含みます。どちらも、そのまま人の状態を示す特徴量ではありません。

特徴量抽出は取得後の処理境界を明確にします。パケット解析ではレコードの妥当性を確認し、前処理では既知の受信機や環境の乱れを抑えます。時間窓により連続信号を比較可能なサンプルへまとめ、特徴量計算で分類器、回帰器、ルール、可視化が扱う要約を作ります。この順序を分けて記録すれば、モデルの点数の裏に未記録の変換を隠さずに済みます。

  • 時刻、サブキャリア番号、アンテナ、チャネル、帯域幅、ファームウェアを各サンプルと保存します。
  • 振幅、生の位相、校正済み位相、設計した特徴量を別のデータとして扱います。
  • 最初に対象を決めます。存在、動き、ジェスチャー、位置、連続値のどれを推定しますか。
  • 参照ラベルと検証方法がない特徴量を、人の直接測定値として説明しないでください。

CSI前処理を四つの段階に分ける

小さく明示的な処理は、隠れた変換の多いノートブックより調べやすくなります。まず形式の壊れたレコードを除き、時刻をそろえます。次に実際に見つかった受信機の誤差に合う方法で振幅と位相を整えます。その後、長さとずらし幅を決めた時間窓を作り、最後に特徴量を計算してデータ分割ごとの設定を残します。

順番には理由があります。時刻を合わせる前のフィルタリングはパケット欠落を隠すことがあります。全データでスケーラーを学習するとテスト情報が混ざります。位相校正前の位相特徴量は、機器のドリフトを人の動きとして表す可能性があります。下の図は普遍的なレシピではなく、最初の実験で必要な最小処理を確認するための図です。

パケット、CSI、特徴量、検証へ進むWi-Fi CSIの四段階フロー
パケット確認、信号の整形、特徴量計算、検証を別の段階として記録します。
段階 入力 保存する出力 よくある失敗
確認 生のパケット記録 採用行、欠落、メタデータ 形式不正または重複サンプル
整形 振幅と位相の系列 フィルター設定と校正済み配列 ノイズと一緒に信号も消す
窓分割 時刻順のサンプル 窓長、ずらし幅、ラベル イベント境界をまたぐ窓
抽出 一定長の窓 特徴量ベクトルとスキーマ スケールがそろわない特徴量

振幅特徴量:安定した基準から始める

振幅特徴量は、生の位相が持つ曖昧さの一部を避けられるため、最初の基準として使いやすい方法です。選んだサブキャリアやアンテナ対ごとに、中心、ばらつき、範囲、パーセンタイル、時間差を記録します。中央値フィルターやHampelフィルターは孤立したスパイクを抑えられます。ローパスやSavitzky–Golayフィルターは、サンプリング周波数とタスクに合った遮断条件がある場合に速い変動を抑えます。

グラフを見やすくするためだけに平滑化してはいけません。短いジェスチャーを消したり、イベントを遅らせたり、パケット欠落をゆるやかな動きに見せたりすることがあります。未処理振幅、フィルター後の値、設定値を保存してください。空室、制御した動き、ドアや扇風機などの陰性対照を比べ、振幅の変化をすべて人の反応と決めつけないようにします。

  • 必要に応じてサブキャリアごとの平均、分散、RMS、ダイナミックレンジ、頑健な分位点を計算します。
  • 孤立した外れ値には中央値またはHampelを使い、窓幅と閾値を記録します。
  • 最もノイズが多い、または強いサブキャリアだけに依存しないでください。
  • 特徴量を元の取得へ戻せるよう、生のサンプルも保管します。

位相特徴量:アンラップして校正する

CSIの位相は周期的です。-piとpiの境界をまたぐと、経路が滑らかに変わっていても大きな動きのように見えます。位相アンラップはこの人工的な飛びを除きます。ただし受信機のタイミングや搬送波周波数のずれがサブキャリア間の傾きやオフセットを加えるため、位相を特徴量に使う前に校正やCSI比が必要な場合があります。

大切なのは、位相が常に優れているかではなく、品質、校正、テスト条件が使いたい特徴量を支えるかです。研究では振幅のみ、位相のみ、両者の組み合わせで、ノイズと計算負荷のトレードオフが異なります。振幅を基準にし、校正済み位相を統制した比較として追加してください。融合表現が必ず未知環境でも機能すると仮定せず、処理時間も報告します。

  • サブキャリアの順序を確かめてから位相の連続性を確認し、アンラップします。
  • 校正法、アンテナ対、基準サブキャリア、除外した端のキャリアを記録します。
  • 機器のドリフトが支配しないか、未使用セッションで比較します。
  • 領域固有の検証なしに、位相から健康、本人性、安全性を断定しないでください。

時間窓、正規化、特徴量ベクトル

モデルが単独のパケットだけを処理することはまれです。時間窓は一定数のサンプルまたは一定時間をまとめ、行動を比較可能にします。短い動作イベントと、ゆっくりした在室や呼吸の研究では必要な長さが異なります。窓のずらし幅と、イベントが窓の途中で始まる、または終わる場合のラベル規則を保存してください。

正規化の係数は訓練データだけから求め、検証とテストへ同じ値を使います。セッションごとの正規化は実環境のドリフトを隠すことがあり、全体での正規化は一つの部屋を別の部屋へ漏らすことがあります。元の特徴量スキーマと係数を保管します。小さなベクトルは確認しやすい一方、深層モデルに必要な時系列・周波数パターンを捨てる可能性があります。

特徴量群 例 確認する問い 注意点
振幅統計 平均、RMS、分散、範囲、分位点 チャネルの大きさがどれほど変わったか ゲインのドリフトと外れ値
位相とコヒーレンス アンラップ後の散らばり、位相差 経路の位相が一貫しているか オフセットとアンテナ対
時間特徴量 傾き、ピーク、ゼロ交差、自己相関 窓の中で何が変化したか 欠落サンプルによる時間の歪み
スペクトル特徴量 帯域電力、ピーク周波数、重心、帯域幅 どの動きの帯域が活動したか 安定したサンプリング周波数

RuView型の実験で使うコンパクトな特徴量ベクトル

実用的なベクトルは振幅統計、位相の一貫性、パワースペクトル密度の要約を組み合わせます。RuViewの学習コードには、振幅ピーク、RMS、ダイナミックレンジ、位相コヒーレンス、総電力、ピーク周波数、重心、帯域幅などの項目があります。これは版管理されたスキーマの例であり、どのタスクも必ず十二個の値を使うという意味ではありません。各項目、軸、尺度、欠損値の扱いを定義してから学習します。

特徴量を変更したときはスキーマの版を上げ、基準処理を再実行します。`phase_coherence`のような名前だけでは、定義や窓の文脈が分からなければ再現できません。コンパクトなベクトルと元のテンソルを両方確認し、圧縮によって有用な信号を失っていないかを調べてください。

  • 特徴量名、軸、尺度、元の時間窓を明記します。
  • 空または退化した窓でも有限値を返し、その理由を記録します。
  • 情報が失われていないか、圧縮したベクトルとテンソルを比較します。

大きなモデルを学習する前に特徴量を検証する

特徴量処理をデータ製品としてテストします。固定した記録を再生し、再起動後も同じ入力から同じベクトルが得られるか確認します。次に、繰り返しの動き、空室、パケット欠落、条件を変えたケースを試します。学習前に欠損値、窓数、特徴量の範囲を確認します。

広い条件へ一般化するなら、セッション、日、人物、部屋、ノード位置を丸ごと保留します。隣接する窓を無作為に分けると、ほぼ同じサンプルが訓練とテストの両方に入り、性能が高く見えることがあります。特徴量の価値は、記事で想定する条件で挙動を確かめて初めて判断できます。

  • 再現可能な再生を行い、許容誤差を決めて特徴量ベクトルを比較します。
  • パケット損失、時刻の欠落、チャネル変更、範囲外の値を測定します。
  • 保留データを評価する前に正規化と特徴量選択を固定します。
  • ドア、扇風機、ペット、家具、通常の通信による誤検出を記録します。
電波トレース、特徴量、保留したサンプル、結果マトリクスを示すWi-Fi検証の流れ
学習グラフだけではなく、隔離したテスト条件とエラーの確認が必要です。

技術資料

Wi-Fi CSI特徴量抽出のよくある質問

Wi-Fi CSIの特徴量抽出とは何ですか?

整形したCSIの時間窓を、振幅統計、位相コヒーレンス、時間変化、スペクトル電力などの値へ変換する段階です。再現性のため、特徴量の定義と前処理設定を保存します。

CSIは振幅と位相のどちらから使うべきですか?

まず振幅を透明な基準にし、校正した位相を統制した比較として追加します。位相には経路情報が含まれる場合がありますが、アンラップや校正の誤りは未知の条件で再現しない特徴量を作ります。

CSI特徴量の時間窓はどれくらいにすべきですか?

測りたいイベントに合わせ、長さとずらし幅を記録します。短いジェスチャー、在室、呼吸研究では必要な時間が異なります。魅力的な一つのグラフではなく、保留したセッションで選択を確かめてください。

特徴量抽出の前にCSIをフィルタリングする必要がありますか?

何らかの整形が必要な場合はありますが、万能なフィルターはありません。未処理の基準と、中央値、Hampel、ローパスなど記録した方法を比較し、ノイズと一緒に対象イベントまで消していないかを確認します。

CSI特徴量で人を識別したり病気を診断したりできますか?

特徴量ベクトルは本人性や医療状態の証明ではありません。その主張には別のデータ、参照測定、リスク管理、プライバシー対策、領域固有の検証が必要です。より強い根拠がない限り、RuView型の出力は実験的な信号解釈として扱ってください。