Wi-Fi CSI 신호 처리 가이드

Wi-Fi CSI 특징 추출: 원시 신호에서 신뢰할 수 있는 특징까지

Wi-Fi CSI 특징 추출은 패킷 캡처와 검증 가능한 모델을 연결합니다. 진폭과 위상을 분리하고, 잡음이 섞인 샘플을 정리하며, 시간 구간과 특징 벡터를 설계하는 방법을 다룹니다. RuView 방식의 실험에서 가정을 기록하는 기준도 함께 살펴봅니다.

CSI 진폭 및 위상 신호를 간결한 특징 통계로 변환하는 흐름
신호 변화를 비교하고 검증할 수 있도록 기록된 값으로 요약합니다.

Wi-Fi CSI 특징 추출은 복소수 채널 측정값을 시간, 부반송파, 안테나 쌍에 따른 변화를 나타내는 값으로 바꾸는 과정입니다. 그래프를 매끈하게 만드는 것이 목적은 아닙니다. 작업에 필요한 변화를 보존하고 어떤 필터, 보정, 시간 구간, 라벨이 결과를 만들었는지 기록해야 합니다.

원시 CSI, 정리된 CSI, 계산된 특징량을 서로 다른 자료로 보관하세요. 그래야 진폭 기준선과 위상을 포함한 표현을 비교하고, 방 환경 변화에 따른 데이터 누수를 찾고, 보드나 라우터, 펌웨어가 바뀐 뒤에도 결과를 재현할 수 있습니다. 이 방식은 ESP32 캡처, 데이터셋, RuView식 신호 해석을 연결하면서 시각화를 카메라 영상이나 의료 측정처럼 오해하지 않게 합니다.

Wi-Fi CSI 특징 추출에서 데이터가 바뀌는 방식

CSI 레코드는 보통 패킷 시각마다 부반송파와 안테나 쌍의 복소수 값을 담습니다. 여기서 크기, 흔히 진폭이라고 부르는 값과 위상을 구할 수 있습니다. 진폭은 기준선을 만들기 쉬운 첫 신호인 경우가 많습니다. 위상은 경로의 세밀한 변화를 담을 수 있지만 시계와 반송파 동기화 오차도 포함합니다. 어느 쪽도 그 자체로 사람을 나타내는 특징은 아닙니다.

특징 추출은 캡처 뒤의 처리 경계를 분명하게 합니다. 패킷 해석은 레코드가 유효한지 확인하고, 전처리는 알려진 수신기나 환경 잡음을 줄입니다. 구간 나누기는 연속 데이터를 비교할 샘플로 만들며, 특징 계산은 그 구간을 규칙, 분류기, 회귀 모델 또는 시각화가 사용할 요약값으로 바꿉니다. 단계를 나누어야 기록되지 않은 변환이 모델 점수 뒤에 숨지 않습니다.

  • 각 샘플과 함께 시각, 부반송파 번호, 안테나, 채널, 대역폭, 펌웨어를 보관하세요.
  • 진폭, 원시 위상, 보정된 위상, 계산된 특징량을 서로 다른 데이터로 취급하세요.
  • 먼저 과제를 정하세요. 재실, 움직임, 제스처, 위치, 연속값 추정 중 무엇인가요?
  • 기준 라벨과 검증 절차 없이 특징량을 사람의 직접 측정값처럼 설명하지 마세요.

네 단계로 나누는 CSI 전처리 흐름

작고 명시적인 흐름은 숨겨진 변환이 많은 노트북보다 디버깅하기 쉽습니다. 형식이 잘못된 레코드를 제외하고 시각을 맞춥니다. 실제로 관찰한 수신기 오차에 맞춰 진폭과 위상을 정리합니다. 고정된 구간 길이와 이동 폭을 선택한 뒤, 특징을 계산하고 데이터 분할별 설정을 저장합니다.

순서에는 이유가 있습니다. 시각을 맞추기 전 필터링은 패킷 누락을 가릴 수 있습니다. 전체 데이터로 정규화 계수를 구하면 테스트 정보가 섞입니다. 보정 전 위상 특징은 하드웨어 드리프트를 움직임으로 바꿀 수 있습니다. 아래 그림은 보편적인 정답이 아니라 점검표입니다. 첫 실험의 질문에 답하는 가장 단순한 절차부터 시작하세요.

패킷, CSI, 특징량, 검증으로 이어지는 네 단계 Wi-Fi CSI 흐름
패킷 확인, 신호 정리, 특징 계산, 검증을 각각 별도의 단계로 유지합니다.
단계 입력 저장할 결과 자주 생기는 실패
확인 원시 패킷 레코드 채택한 행, 누락, 메타데이터 잘못된 형식 또는 중복 샘플
정리 진폭 및 위상 신호 필터 설정과 보정된 배열 잡음과 함께 신호도 제거
구간화 시간순 샘플 구간 길이, 이동 폭, 라벨 이벤트 경계를 가로지르는 구간
추출 고정된 구간 하나 특징 벡터와 스키마 서로 다른 값 범위

진폭 특징량: 안정적인 기준선부터 시작하기

진폭 특징량은 원시 위상의 모호함 일부를 피할 수 있어 첫 기준선으로 쓰기 좋습니다. 선택한 부반송파나 안테나 쌍마다 중심, 산포, 범위, 백분위수, 시간 차이를 기록합니다. 중앙값이나 Hampel 필터는 단독으로 튀는 값을 줄일 수 있습니다. 저역 통과나 Savitzky–Golay 필터는 샘플링 속도와 과제에 맞는 차단 조건이 있을 때 빠른 변동을 줄입니다.

그래프를 보기 좋게 만들기 위해 과도하게 평활화하지 마세요. 짧은 제스처를 지우거나 이벤트를 늦추고, 패킷 손실을 느린 움직임처럼 보이게 할 수 있습니다. 필터 적용 전후의 진폭과 파라미터를 모두 저장하세요. 빈 방, 제어된 움직임, 문이나 선풍기 같은 음성 대조를 비교해 모든 진폭 변화를 사람의 반응이라고 단정하지 않도록 합니다.

  • 필요한 경우 부반송파별 평균, 분산, RMS, 동적 범위와 강건한 백분위수를 계산하세요.
  • 단독 이상값에 중앙값 또는 Hampel 필터를 쓴다면 구간 길이와 임계값을 기록하세요.
  • 가장 시끄럽거나 값이 큰 부반송파 하나만 신뢰하지 말고 여러 값을 비교하세요.
  • 각 특징량을 캡처 원본까지 추적하도록 원래 샘플을 보존하세요.

위상 특징량: 풀고 보정한 뒤 판단하기

CSI 위상은 주기적입니다. -pi와 pi 경계를 넘는 값은 실제 경로가 부드럽게 바뀌어도 큰 움직임처럼 보일 수 있습니다. 위상 풀기는 이런 인위적인 점프를 제거합니다. 하지만 수신기의 시간 및 반송파 주파수 오차는 부반송파 사이의 기울기나 오프셋을 만들 수 있으므로 위상을 특징으로 쓰기 전 보정이나 CSI 비율 계산이 필요할 수 있습니다.

중요한 질문은 위상이 항상 더 나은지가 아니라, 선택한 특징을 신호 품질과 보정 및 테스트 조건이 뒷받침하는지입니다. 연구 결과를 보면 진폭, 위상, 두 값의 결합은 잡음과 계산 비용이 서로 다릅니다. 진폭 기준선부터 만들고 보정된 위상을 통제된 비교로 추가하세요. 결합한 값이 일반화한다고 가정하지 말고 추가 처리 비용도 보고하세요.

  • 부반송파 순서를 확인하고 위상 연속성을 살핀 뒤 풀기 작업을 하세요.
  • 보정 방법, 안테나 쌍, 기준 부반송파, 제외한 가장자리 부반송파를 기록하세요.
  • 하드웨어 드리프트가 결과를 지배하지 않는지 별도로 보관한 세션에서 비교하세요.
  • 분야별 검증 없이 위상 특징으로 건강, 신원, 안전을 주장하지 마세요.

시간 구간, 정규화, 특징 벡터

모델이 패킷 하나만 입력받는 경우는 드뭅니다. 시간 구간은 일정한 샘플 수나 시간 길이를 묶어 동작을 비교할 수 있게 요약합니다. 짧은 동작 이벤트와 느린 재실 또는 호흡 연구에는 서로 다른 길이가 필요합니다. 이동 폭과 라벨 규칙을 기록하고, 이벤트가 구간 중간에 시작하거나 끝나는 상황도 정의하세요.

정규화 계수는 훈련 데이터로만 구하고 검증과 테스트에는 그대로 적용하세요. 세션별 정규화는 실제 배포 환경의 변화를 숨길 수 있고, 전역 정규화는 한 방의 분포가 다른 방에 섞이게 할 수 있습니다. 원래 특징 스키마와 계수를 저장하세요. 작은 벡터는 검사하기 쉽지만 깊은 모델이 필요로 하는 시간과 주파수의 패턴을 버릴 수도 있습니다.

특징군 예시 확인할 질문 주의점
진폭 통계 평균, RMS, 분산, 범위, 백분위수 채널 크기가 얼마나 바뀌었나? 이득 변화와 이상값이 지배할 수 있음
위상과 일관성 풀린 위상 산포, 위상차 경로 변화가 일관적인가? 오프셋과 안테나 쌍에 영향받음
시간 특징 기울기, 피크, 영점 통과, 자기상관 구간 안에서 무엇이 바뀌었나? 샘플 누락이 시간 정보를 왜곡함
스펙트럼 특징 대역 전력, 피크 주파수, 중심, 대역폭 어느 움직임 대역이 활성화됐나? 샘플링 속도가 안정적이어야 함

RuView식 실험을 위한 간결한 특징 벡터

실용적인 벡터는 몇 가지 진폭 통계, 위상 일관성, 전력 스펙트럼 밀도 요약을 결합할 수 있습니다. RuView 훈련 코드에는 진폭 피크, RMS, 동적 범위, 위상 일관성, 총 전력, 피크 주파수, 중심과 대역폭 같은 항목이 나옵니다. 이는 버전을 관리하는 스키마의 예일 뿐, 모든 작업에 정확히 열두 개 숫자가 필요하다는 뜻은 아닙니다. 훈련 전에 필드, 축, 척도, 결측값 규칙을 정의하세요.

특징이 바뀌면 스키마 버전을 올리고 기준 실험을 다시 실행하세요. `phase_coherence` 같은 이름만으로는 정의와 시간 구간을 알 수 없어 재현하기 어렵습니다. 간결한 벡터를 원본 텐서와 비교해 압축 과정에서 유용한 변화를 잃지 않았는지 확인하세요.

  • 특징 이름, 축, 척도, 원본 구간을 밝히세요.
  • 비어 있거나 퇴화한 구간에서도 유한값을 반환하고 이유를 기록하세요.
  • 정보 손실을 찾을 수 있도록 벡터와 텐서를 비교하세요.

더 큰 모델을 훈련하기 전에 특징 흐름 검증하기

특징 추출을 데이터 제품처럼 시험하세요. 고정된 기록을 재생해 같은 입력이 재시작 후에도 같은 벡터를 내는지 확인합니다. 반복 움직임, 빈 방, 패킷 손실 구간, 달라진 조건도 시험하세요. 훈련 전에는 결측값, 구간 수, 특징 범위를 살펴봅니다.

일반화 주장이 필요하다면 세션, 날짜, 사람, 방, 노드 위치를 통째로 분리합니다. 서로 인접한 구간을 무작위로 나누면 거의 같은 샘플이 훈련과 테스트에 들어가 성능을 부풀릴 수 있습니다. 약속한 조건에서 특징의 동작을 볼 수 있을 때만 그 특징이 유용합니다.

  • 결정적으로 재생하고 정의한 허용 오차 안에서 특징 벡터를 비교하세요.
  • 패킷 손실, 시간 간격, 채널 변경, 범위를 벗어난 값을 측정하세요.
  • 보관한 데이터를 평가하기 전에 정규화와 특징 선택을 고정하세요.
  • 문, 선풍기, 반려동물, 가구, 일반 네트워크 트래픽으로 인한 오탐을 기록하세요.
무선 흔적에서 특징량, 보관한 테스트 샘플과 결과 행렬까지 이어지는 Wi-Fi 검증 흐름
훈련 그래프만으로는 부족합니다. 분리해 둔 테스트 조건과 오류 분석이 필요합니다.

기술 참고 자료

Wi-Fi CSI 특징 추출 FAQ

Wi-Fi CSI 특징 추출이란 무엇인가요?

정리된 CSI 구간을 진폭 통계, 위상 일관성, 시간 변화, 스펙트럼 전력 같은 측정값으로 바꾸는 단계입니다. 결과를 재현할 수 있도록 스키마와 전처리 설정을 저장하세요.

CSI는 진폭과 위상 중 무엇부터 써야 하나요?

진폭을 투명한 기준선으로 삼고 보정된 위상을 통제된 비교로 추가하세요. 위상은 경로 정보에 도움이 될 수 있지만 풀기나 보정 오류는 다른 조건에서 재현되지 않는 특징을 만들 수 있습니다.

CSI 특징 구간은 얼마나 길어야 하나요?

측정하려는 이벤트에 맞춰 길이를 정하고 이동 폭을 기록하세요. 짧은 제스처, 재실, 호흡 연구는 서로 다른 시간이 필요합니다. 하나의 그래프가 아니라 보관한 세션으로 선택을 검증하세요.

특징 추출 전에 CSI를 필터링해야 하나요?

데이터 정리가 필요할 수 있지만 만능 필터는 없습니다. 원시 기준선과 문서화한 중앙값, Hampel, 저역 통과 방법을 비교해 목표 이벤트까지 잡음과 함께 사라지지 않는지 확인하세요.

CSI 특징으로 사람을 식별하거나 건강을 진단할 수 있나요?

특징 벡터는 신원이나 의료 상태의 증거가 아닙니다. 그런 주장은 별도 데이터, 기준 측정, 위험 통제, 개인정보 검토와 분야별 검증이 필요합니다. 더 강한 근거가 없다면 RuView식 출력을 실험적 신호 해석으로 취급하세요.