WiFi 센싱 정확도: 신뢰할 수 있는 결과를 측정하는 방법

WiFi 센싱 정확도는 실제로 무엇을 의미하나요?

정확도는 예측과 기준 라벨의 관계입니다. 재실 감지에서는 기록한 구간이 빈 방인지 사람이 있는 방인지 라벨로 표시할 수 있습니다. 제스처 인식에서는 시작과 끝이 표시된 여러 제스처 중 하나가 라벨이 됩니다. 실내 위치 추정에서는 별도의 기준으로 잰 구역이나 좌표가 라벨입니다. 무선 신호 자체가 진실 라벨은 아니며 추론을 만드는 관측값입니다.

판정 임계값도 정확도의 의미를 바꿉니다. 사람을 놓치지 않도록 조정한 감지기는 오탐을 더 많이 만들 수 있고 실험실 점수는 다른 사람이나 방에서 재현되지 않을 수 있습니다. 모든 지표 옆에 작업, 라벨, 임계값, 시간 창과 테스트 조건을 적으세요.

• 먼저 출력 하나를 정의합니다. 클래스, 구역, 좌표, 수량 또는 연속 추정값 중 하나입니다.
• 기준 라벨과 예측을 평가하는 시간 구간을 명시합니다.
• 임계값, 클래스 균형과 제외한 조건을 기록합니다.
• 정확도를 WiFi 장치의 영구적인 특성이 아니라 조건부 증거로 다룹니다.

WiFi 센싱 테스트에서 어떤 지표를 보고해야 하나요?

각 오류의 비용에 맞는 지표를 고르세요. 전체 정확도는 읽기 쉽지만 희귀 클래스나 다수 클래스만 선택하는 감지기를 숨길 수 있습니다. 혼동 행렬은 어떤 클래스가 섞였는지 보여줍니다. 정밀도는 보고한 양성 중 맞는 비율이고 재현율은 실제 양성을 얼마나 찾았는지 나타내며 F1은 두 값을 균형 있게 합칩니다. 재실 데이터의 클래스가 치우쳤다면 클래스별 재현율이나 balanced accuracy가 하나의 대표 백분율보다 더 유용할 수 있습니다.

회귀와 위치 작업에는 다른 척도가 필요합니다. 거리나 비율 추정에는 평균 절대 오차, 중앙값 오차 또는 백분위 오차를 사용합니다. 구역 위치 추정에서는 유용한 허용 범위 안에 들어온 예측 비율을 표시합니다. 분류 점수를 센티미터 측정값처럼 표현하지 마세요.

일반화를 테스트하는 데이터셋 만들기

WiFi 센싱 모델은 기록에 포함된 조건을 학습합니다. 훈련과 테스트의 모든 창이 같은 이동, 사람, 방, 같은 몇 분에서 왔다면 인접한 창이 거의 같은 채널 조건을 공유할 수 있습니다. 그 점수는 일반화보다 세션 암기를 측정합니다. 주장에 필요한 수준으로 나누세요. 세션, 날짜, 사람, 방, 배치 또는 노드 위치를 기준으로 분리합니다.

반복할 수 있을 만큼 작은 실험에서 시작하세요. 빈 방 기준선을 기록하고 활동이나 구역에 시간표시 라벨을 붙이며 채널, 대역폭, 안테나 방향, 펌웨어, 샘플링 속도와 방의 변화를 신호와 함께 저장합니다. 라벨이 없는 큰 CSI 폴더보다 깨끗한 분할이 중요합니다.

• 최종 점수에는 별도 세션을 사용하고 조정에는 사용하지 않습니다.
• 빈 방, 움직이지 않는 사람, 패킷 손실과 무해한 배경 움직임 같은 음성 사례를 추가합니다.
• 주장이 한 사람이나 방보다 넓다면 사람, 방, 날짜, 배치 또는 노드를 명시적으로 보류합니다.
• 필터, 특징, 모델 또는 임계값을 비교하기 전에 분할을 고정합니다.

CSI에서 점수까지 이어지는 기준선 파이프라인

기준선이 있으면 정확도 주장을 감사하기 쉽습니다. 질문에 답할 수 있는 가장 단순한 특징 경로부터 시작하세요. 패킷 선택, 시간 정렬, 기본 정리, 고정 창과 투명한 모델을 사용합니다. 필터를 검토할 수 있도록 원본 CSI 또는 최소한으로 처리한 데이터를 보관합니다. 정규화가 필요하면 훈련 부분만으로 매개변수를 조정합니다.

다음으로 분리된 데이터에 같은 경로를 실행하고 라벨이 있는 예측을 저장합니다. 혼동 행렬, 임계값 변화, 오류 분포와 잘못된 예측 사례를 보존합니다. 가벼운 기준선은 큰 모델이 보고서를 복잡하게 만들기 전에 신호가 안정적이지 않다는 사실을 보여줄 수 있습니다.

• 패킷 손실, 시간 점프, 누락된 창과 거부한 샘플을 기록합니다.
• 스케일, 특징 선택과 임계값은 훈련 데이터로만 조정합니다.
• 최종 점수뿐 아니라 예측, 라벨과 오류 구간을 저장합니다.

WiFi 결과가 실제보다 정확해 보이게 하는 함정

가장 흔한 함정은 데이터 누출입니다. 무작위 분할을 사용하면 한 기록에서 나온 인접 샘플이 훈련과 테스트에 함께 들어갈 수 있습니다. 클래스 불균형, 한 장소에 고정된 사람, 라벨과 함께 변하는 눈에 보이는 단서, 클래스 사이에서 방을 정리하고 다시 테스트하지 않는 것도 함정입니다. 디버깅에는 유용하지만 넓은 주장에는 충분하지 않습니다.

하드웨어와 환경도 변합니다. 채널, 대역폭, 안테나, 펌웨어, 다중경로, 가구, 문, 선풍기, 반려동물과 주변 트래픽이 CSI를 바꿀 수 있습니다. 불편한 예외로 치부하지 말고 이런 민감도를 측정하세요.

실용적인 검증 프로토콜

첫 테스트는 기준선, 통제한 이벤트, 별도 반복과 조건 변경의 네 단계로 정의하세요. 빈 상태를 기록하고 라벨이 있는 이벤트를 여러 번 실행한 뒤 보호한 세션의 점수를 계산합니다. 그 다음 다른 날, 다른 사람, 의자를 옮기거나 재시작하는 현실적인 변화를 주고 반복합니다. 모델이 신호를 학습했는지 원래 기록을 외웠는지 볼 수 있습니다.

짧은 템플릿을 사용하세요. 하드웨어와 수집 경로, 노드 배치, 클래스, 창, 분할 규칙, 지표 정의, 임계값, 최고와 최악의 사례, 개인정보 처리를 기록합니다. 결과가 연구용 시각화라면 정확도를 만들어내지 말고 불확실성을 설명하세요.

• 기준선: 빈 상태나 중립 상태를 반복 기록하고 드리프트를 측정합니다.
• 이벤트: 동기화된 기준으로 활동, 구역 또는 상태에 라벨을 붙입니다.
• 별도 반복: 보호한 세션에서 같은 경로를 변경 없이 실행합니다.
• 변경: 다른 날, 사람, 배치, 채널 또는 노드에서 테스트합니다.
• 보고: 오류, 제외 항목과 사용하면 안 되는 조건을 공개합니다.

개인정보 보호와 정확도 주장의 경계

더 정확한 추론은 사람에 관한 더 많은 정보를 드러낼 수 있습니다. 영상이 없어도 재실, 움직임, 생활 패턴과 호흡 신호는 민감할 수 있습니다. 동의를 받고 보관 기간을 제한하며 원본 CSI와 예측에 대한 접근을 줄이고 무엇을 측정하고 추론하는지 설명하세요. 정확도 테스트가 조용히 감시로 바뀌어서는 안 됩니다.

RuView Blog에서 정확도는 연구 질문입니다. 수집 세부 내용은 CSI와 장치 가이드에서 확인하고 사람 감지, 위치 추정과 방 매핑 가이드로 작업별 한계를 확인하세요. 작동하는 데모가 의료, 신원 또는 물리적 안전을 증명하지는 않습니다.

• 모델 점수와 사람이나 건강 상태에 대한 주장을 분리합니다.
• 동의, 보관, 삭제와 데이터 접근을 문서화합니다.
• 사용자에게 결과를 보여줄 때 신뢰도와 불확실성을 표시합니다.
• 주장을 검증할 적절한 기준이 없다면 실험을 중단합니다.

기술 및 연구 참고 자료

WiFi 센싱 정확도 FAQ