Sensing Line-of-Sight Perturbations in 6-GHz Wi-Fi Using Channel Model-Based Features
Notice bibliographique
Résumé
A new standard, IEEE 802.11bf, has been created to offer Wi-Fi sensing capabilities across sub-7 GHz and millimeter-wave bands. Applications of Wi-Fi sensing rely on Channel State Information (CSI) to enable various applications such as motion detection, activity recognition, and gesture recognition. Within this context, this paper investigates part of the 6-GHz spectrum for use in Wi-Fi sensing, with the aim of recognizing different types of line-of-sight (LOS) perturbation. To achieve this, a novel feature extraction methodology is presented, along with innovative features designed to comprehensively capture information from CSI. More precisely, a novel Random Forest-based algorithm is introduced that automatically selects optimal features and constructs accurate decision trees for the classification of various human interactions with the LOS link between two Wi-Fi devices. The proposed feature extraction and selection methodology leverages variations in the channel, which are manifested by the changes in the characteristics of signal propagation caused by movements in proximity of the LOS link. Using statistical channel metrics, which can be directly linked to the physical channel, enhances the efficiency and accuracy of LOS perturbation classification. A detailed set of experiments are used to demonstrate the accuracy of our approach, which we call Channel Model based Features-Random Forest (CMF-RF). CMF-RF has been shown to outperform existing methods when used to classify human interactions with the LOS link.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».