WiFiセンシングの精度：信頼できる結果を測る方法

WiFiセンシングの精度は実際には何を意味するのか

精度は、予測と参照ラベルの関係です。在室検出なら、記録した区間が空室か在室かをラベルにします。ジェスチャー認識なら、開始と終了を明示した複数クラスの一つです。屋内測位なら、別の参照で測ったゾーンや座標になります。無線信号そのものが真実のラベルではなく、推論に使う観測です。

判定しきい値によって精度の意味も変わります。見逃しを減らすよう調整した検出器は誤警報を増やす可能性があり、実験室のスコアが別の人や部屋で再現するとは限りません。すべての指標の横に、タスク、ラベル、しきい値、時間窓、テスト条件を記載します。

• 最初に一つの出力を定義します。クラス、ゾーン、座標、人数、連続値のどれかです。
• 参照ラベルと、予測を採点する時間区間を明記します。
• しきい値、クラスの偏り、除外した条件を記録します。
• 精度をWiFi機器の永続的な性質ではなく、条件付きの証拠として扱います。

WiFiセンシングのテストではどの指標を報告するか

各誤りのコストに合う指標を選びます。全体正解率は読みやすい一方、まれなクラスや多数派だけを選ぶ検出器を隠すことがあります。混同行列なら、どのクラスが混同されたかが分かります。適合率は報告した陽性のうち正しい割合、再現率は実際の陽性をどれだけ見つけたか、F1は両者のバランスです。不均衡な在室データでは、クラス別再現率やbalanced accuracyが一つの見出し数値より有用な場合があります。

回帰や位置推定には別の尺度が必要です。距離や速度の推定には平均絶対誤差、中央値誤差、パーセンタイル誤差を使います。ゾーン測位なら、役に立つ許容範囲内に入った予測の割合を示します。分類スコアをセンチメートルの測定値のように提示してはいけません。

一般化を検証できるデータセットを作る

WiFiセンシングモデルは、録音に含まれる条件を学習します。訓練とテストの全ウィンドウが同じ歩行、同じ人、同じ部屋、同じ数分間から切り出されると、隣り合うウィンドウはほぼ同じチャネル条件を共有します。そのスコアは一般化よりセッションの記憶を測ることになります。主張に必要な単位で分割します。セッション、日、人、部屋、レイアウト、ノード配置などです。

最初は繰り返せる小さな実験から始めます。空室のベースラインを取り、活動やゾーンにタイムスタンプでラベルを付け、チャネル、帯域幅、アンテナの向き、ファームウェア、サンプリングレート、部屋の変更を信号と一緒に保存します。ラベルのない大きなCSIフォルダーより、きれいな分割の方が重要です。

• 最終スコアには分離したセッションを使い、調整には使いません。
• 空室、静止した人、パケット欠落、無関係な背景動作などの陰性例を加えます。
• 主張が一人や一室を越えるなら、人、部屋、日、レイアウト、ノードのいずれかを明示的にホールドアウトします。
• フィルター、特徴量、モデル、しきい値を比較する前に分割を固定します。

CSIからスコアまでのベースラインパイプライン

ベースラインがあると精度の主張を監査しやすくなります。まず、質問に答えられる最も単純な特徴量経路から始めます。パケット選択、時間合わせ、基本的なノイズ除去、固定ウィンドウ、透明なモデルという流れです。元のCSIまたは最小限の処理後のデータを保存し、フィルターを確認できるようにします。正規化が必要なら、そのパラメーターは訓練部分だけで調整します。

次に同じ経路を分離データへ実行し、ラベル付きの予測を保存します。混同行列、しきい値のスイープ、誤差分布、誤った予測の例を残します。軽いベースラインは、大きなモデルで報告を複雑にする前に、信号が安定していないことを示せます。

• パケット欠落、時間の飛び、欠けたウィンドウ、棄却したサンプルを記録します。
• スケール、特徴量の選択、しきい値は訓練データだけで調整します。
• 最終スコアだけでなく、予測、ラベル、誤差の切片を保存します。

WiFiの結果が実際より良く見える精度の落とし穴

最も多い落とし穴はデータ漏洩です。録音をランダムに分割すると、隣接するサンプルが訓練とテストの両方に入ることがあります。クラスの偏り、場所に固定された人、ラベルと一緒に変わる見える手掛かり、再テストしない部屋の整理も同様です。これらはデバッグには便利でも、広い主張の根拠にはなりません。

ハードウェアと環境も変化します。チャネル、帯域幅、アンテナ、ファームウェア、マルチパス、家具、ドア、扇風機、ペット、周囲の通信がCSIを変える可能性があります。都合の悪い例外として扱わず、その感度を測ります。

実践的な検証プロトコル

最初のテストは、ベースライン、管理したイベント、分離した反復、条件変更の四段階にします。空の状態を記録し、ラベルを付けたイベントを数回実行し、保護したセッションを採点してから、別の日、別の人、椅子の移動、再起動など現実的な変更を加えて繰り返します。モデルが信号を学んだのか、元の録音を覚えたのかが見えてきます。

短いテンプレートを使います。ハードウェアと取得経路、ノードの幾何、クラス、ウィンドウ、分割規則、指標の定義、しきい値、良い例と悪い例、プライバシーの扱いを記録します。研究用の可視化なら、精度を作り出すのではなく不確実性を説明します。

• ベースライン：空室または中立状態を繰り返し、ドリフトを測ります。
• イベント：同期した参照で活動、ゾーン、状態にラベルを付けます。
• 分離反復：保護したセッションで同じ経路を実行します。
• 変更：別の日、人、レイアウト、チャネル、ノードで試します。
• 報告：誤り、除外、使ってはいけない条件を公開します。

プライバシーと精度の主張の境界

より正確なセンシングは、人についてより多くの情報を明らかにする可能性があります。映像を保存しなくても、在室、動き、生活パターン、呼吸の信号は敏感です。同意を取り、保存期間を制限し、生のCSIと予測へのアクセスを絞り、何を測り何を推論するかを説明します。精度テストが気付かないうちに監視へ変わってはいけません。

RuView Blogでは、精度は研究上の問いです。取得の詳細にはCSIと機器のガイドを使い、人検出、測位、部屋マッピングのガイドでタスクごとの境界を確認します。動くデモは、医療、本人確認、物理的な安全性を証明するものではありません。

• モデルのスコアと、人や健康状態についての主張を分けます。
• 同意、保存、削除、データへのアクセスを文書化します。
• 結果を利用者に見せるときは、信頼度と不確実性を表示します。
• 主張を検証する適切な参照がないなら実験を止めます。

技術・研究リファレンス

WiFiセンシングの精度 FAQ