A precisão do WiFi sensing descreve com que frequência uma inferência corresponde a uma referência definida. A inferência pode indicar presença ou ausência, uma classe de movimento, uma zona, um gesto, uma tendência respiratória ou uma posição. Cada tarefa precisa de rótulos, métrica e erro aceitável próprios. Dizer que um sistema tem 95% de precisão sem declarar a tarefa e a separação do teste esconde mais do que explica.
O ponto de partida prático é escrever a afirmação antes de coletar CSI. Defina o que é positivo, quanto custa um falso alarme, quais pessoas ou salas devem generalizar e se a saída é classificação, regressão ou visualização de pesquisa. Depois guarde uma gravação de base, um registro limpo de rótulos e uma sessão reservada que o ajuste nunca vê.
Este guia se concentra em uma avaliação repetível de WiFi sensing: um relatório transparente, reproduzível, com falhas e limites claros.
O que a precisão do WiFi sensing realmente significa?
Precisão é a relação entre uma previsão e um rótulo de referência. Na detecção de presença, o rótulo pode indicar uma sala vazia ou ocupada durante um intervalo gravado. No reconhecimento de gestos, pode ser uma de várias classes com início e fim marcados. No posicionamento interno, pode ser uma zona ou coordenada medida com outra referência. O sinal de rádio não é a verdade: é a observação usada para produzir uma inferência.
O limiar muda o significado da precisão: um detector que perde poucos ocupantes pode criar mais falsos alarmes. Informe tarefa, rótulos, limiar, janela e condições junto de cada métrica.
- Defina primeiro uma saída: classe, zona, coordenada, contagem ou estimativa contínua.
- Nomeie o rótulo de referência e o intervalo em que a previsão será avaliada.
- Registre o limiar, o equilíbrio das classes e as condições excluídas.
- Trate a precisão como evidência condicionada, não como propriedade permanente de um dispositivo WiFi.
Quais métricas um teste de WiFi sensing deve apresentar?
Escolha métricas conforme o custo de cada erro. A precisão geral pode esconder uma classe rara ou um detector que escolhe a maioria. Uma matriz de confusão mostra as classes confundidas; precisão, recall e F1 descrevem os erros positivos. Em dados desequilibrados, recall por classe ou balanced accuracy é mais informativo que uma única porcentagem.
Tarefas de regressão e localização precisam de outras medidas. Use erro absoluto médio, erro mediano ou um percentil para distância ou taxa. Para posicionamento por zona, informe a parcela de previsões dentro de uma tolerância útil. Nunca apresente uma pontuação de classificação como se fosse uma medida em centímetros.
| Tarefa | Métricas úteis | O que observar | Armadilha comum |
|---|---|---|---|
| Presença binária | Precisão, recall, F1, balanced accuracy | Falsos alarmes nos intervalos vazios | Precisão alta causada por classes desequilibradas |
| Gestos ou atividades | Recall por classe, macro F1, matriz de confusão | Quais gestos ou pessoas são confundidos | Relatar apenas a classe mais fácil |
| Zona da sala | Precisão da zona, macro F1, erro de distância | Confusão entre zonas vizinhas e deriva | Chamar uma zona ampla de coordenada precisa |
| Estimativa de sinal contínuo | MAE, erro mediano, erro percentil | Qualidade do sensor de referência e outliers | Esconder a distribuição atrás de uma média |
Monte um conjunto de dados que teste a generalização
Um modelo de WiFi sensing aprende as condições das gravações. Se as janelas de treino e teste vêm da mesma caminhada, pessoa, sala e minuto, janelas vizinhas compartilham quase o mesmo canal. O resultado mede a memória da sessão. Separe no nível da afirmação: sessão, dia, pessoa, sala, layout ou nó.
Comece com um experimento pequeno o bastante para ser repetido. Capture uma linha de base da sala vazia, marque atividades ou zonas com horários e mantenha junto do sinal o canal, a largura de banda, a orientação das antenas, o firmware, a taxa de amostragem e as mudanças na sala. Uma separação limpa vale mais que uma pasta grande de CSI sem rótulos.
- Use uma sessão separada para a pontuação final; não a use para ajustar o modelo.
- Inclua casos negativos como sala vazia, pessoa parada, perda de pacotes e movimento de fundo inofensivo.
- Quando a afirmação for maior que uma pessoa ou sala, deixe uma pessoa, sala, dia, layout ou nó fora do treino de forma explícita.
- Congele a separação antes de comparar filtros, atributos, modelos ou limiares.
Uma linha de base do CSI até a pontuação
Uma linha de base torna as afirmações de precisão mais fáceis de auditar. Comece pelo caminho de atributos mais simples que responda à pergunta: seleção de pacotes, alinhamento temporal, limpeza básica, janela fixa e um modelo transparente. Guarde o CSI original ou minimamente processado para poder revisar um filtro. Se a normalização for necessária, ajuste os parâmetros somente na parte de treino.
Depois execute o mesmo caminho nos dados separados e guarde previsões com rótulos. Preserve a matriz de confusão, a varredura de limiares, a distribuição de erros e exemplos de previsões erradas. Uma linha de base leve pode mostrar que o sinal não é estável antes de um modelo grande tornar o relatório difícil de interpretar.
- Registre perda de pacotes, saltos de tempo, janelas ausentes e amostras rejeitadas.
- Ajuste escala, seleção de atributos e limiares somente com dados de treino.
- Guarde previsões, rótulos e cortes de erro, não apenas a pontuação final.
Armadilhas que fazem o resultado WiFi parecer mais preciso
A armadilha mais comum é o vazamento de dados: uma separação aleatória permite que janelas vizinhas da mesma gravação apareçam no treino e no teste. Desequilíbrio de classes, uma pessoa parada ou uma sala reorganizada também criam atalhos. Eles ajudam a depurar, mas não sustentam uma afirmação ampla.
Hardware e ambiente também mudam. Canal, banda, antenas, firmware, multipercurso, móveis, portas, ventiladores, animais e tráfego alteram o CSI. Meça essa sensibilidade.
| Armadilha | Por que aumenta a pontuação | Correção |
|---|---|---|
| Janelas aleatórias de uma sessão | Amostras quase idênticas atravessam a separação | Reserve uma sessão ou um dia inteiro |
| Atalho da classe majoritária | A classe rara pesa pouco na precisão | Informe recall por classe, macro F1 e confusão |
| Atalho da pessoa ou da sala | O modelo reconhece o ambiente, não a tarefa | Separe pessoa, sala, layout ou nó |
| Calibração não registrada | O limiar ou a base não pode ser reproduzido | Versione parâmetros, janela e reinício |
Um protocolo prático de validação
Para um primeiro teste, defina quatro etapas: linha de base, evento controlado, repetição separada e mudança de condição. Registre o estado vazio, execute o evento rotulado várias vezes, avalie uma sessão protegida e repita depois de uma mudança realista: outro dia, outra pessoa, uma cadeira movida ou um reinício. Assim fica claro se o modelo aprendeu o sinal ou a gravação original.
Use um modelo curto: hardware e caminho de captura, geometria dos nós, classes, janela, regra de separação, definições das métricas, limiar, melhores e piores casos e tratamento da privacidade. Se o resultado for uma visualização de pesquisa, descreva a incerteza em vez de inventar uma precisão.
- Linha de base: repita gravações vazias ou neutras e meça a deriva.
- Evento: rotule uma atividade, zona ou estado com uma referência sincronizada.
- Repetição separada: execute o mesmo caminho, sem mudanças, em uma sessão protegida.
- Mudança: teste outro dia, pessoa, layout, canal ou nó.
- Relatório: publique erros, exclusões e condições em que o sistema não deve ser usado.
Privacidade e o limite de uma afirmação de precisão
Uma inferência mais precisa também pode revelar mais sobre as pessoas. Ocupação, movimento, rotina ou sinais respiratórios podem ser sensíveis mesmo sem vídeo. Peça consentimento, limite a retenção, restrinja o acesso ao CSI bruto e às previsões e explique o que é medido e inferido. Um teste de precisão não deve se transformar silenciosamente em vigilância.
No RuView Blog, precisão é uma questão de pesquisa. Use os guias de CSI e dispositivos para a captura e os guias de detecção humana, posicionamento ou mapeamento para os limites de cada tarefa. Uma demonstração que funciona não prova segurança médica, de identidade ou física.
- Separe uma pontuação do modelo de uma afirmação sobre uma pessoa ou estado de saúde.
- Documente consentimento, retenção, exclusão e acesso aos dados.
- Mostre confiança e incerteza quando o resultado for apresentado aos usuários.
- Pare o experimento se não houver uma referência adequada para validar a afirmação.
Referências técnicas e de pesquisa
FAQ sobre precisão do WiFi sensing
Qual é uma boa precisão para WiFi sensing?
Não existe um número universal. Um resultado útil informa tarefa, rótulos, equilíbrio das classes, separação, métrica e condições. Uma pontuação menor em uma sala realmente separada pode ser mais informativa que um número alto obtido com janelas vizinhas de uma sessão.
Como testar a precisão do WiFi sensing?
Defina a saída, capture CSI rotulado com uma linha de base neutra, congele uma sessão separada, execute o mesmo caminho e publique uma matriz de confusão ou distribuição de erros. Acrescente outra pessoa, sala, dia ou nó se a afirmação precisar generalizar.
Por que meu modelo funciona no laboratório, mas falha em casa?
O modelo pode ter aprendido um atalho da sala, pessoa, posição do nó, canal ou sessão. Verifique vazamento, deriva de calibração, móveis e multipercurso, perda de pacotes e se a separação representa as condições da casa.
Posso relatar uma única pontuação para uma demonstração?
Somente se houver tarefa definida, rótulos de referência, separação documentada e métrica compatível com a saída. Caso contrário, descreva comportamento, exemplos e limites em vez de inventar um benchmark.
Alta precisão torna o WiFi sensing seguro para uso médico ou de segurança?
Não. Esses usos exigem validação específica, controles de risco, sistemas de referência, revisão de privacidade e certificação adequada. Uma pontuação de pesquisa não é autorização.