در دنیای امروز که فناوری‌های بی‌سیم در تار و پود زندگی ما تنیده شده‌اند، سیگنال‌های وای‌فای دیگر تنها برای اتصال به اینترنت به کار نمی‌روند. حوزه نوظهور و هیجان‌انگیز حسگری وای‌فای (WiFi Sensing) این امکان را فراهم کرده است تا از این سیگنال‌های فراگیر برای درک و تعامل با محیط فیزیکی اطراف، به‌ویژه برای تشخیص حضور و فعالیت‌های انسان، استفاده کنیم. این فناوری بدون نیاز به دوربین یا سنسورهای پوشیدنی، حریم خصوصی افراد را حفظ کرده و کاربردهای گسترده‌ای از خانه‌های هوشمند گرفته تا مراقبت‌های بهداشتی را نوید می‌دهد.

با پیشرفت مدل‌های یادگیری عمیق، دقت و توانایی این سیستم‌ها به شکل چشمگیری افزایش یافته است. با این حال، این حوزه با یک چالش اساسی روبرو بود: نبود یک بنچمارک (Benchmark) جامع و استاندارد. پژوهشگران مدل‌های مختلف را روی مجموعه داده‌های متفاوت و با معیارهای گوناگون ارزیابی می‌کردند که مقایسه عادلانه و بازتولید نتایج را دشوار می‌ساخت. مقاله “SenseFi” دقیقاً برای پر کردن این خلأ ارائه شده است. این مقاله نه تنها پیشرفت‌های اخیر را مرور می‌کند، بلکه یک کتابخانه نرم‌افزاری متن‌باز و یک بنچمارک جامع به نام SenseFi معرفی می‌کند تا به عنوان یک پلتفرم استاندارد برای ارزیابی و مقایسه مدل‌های یادگیری عمیق در زمینه حسگری وای‌فای عمل کند. اهمیت این کار در ایجاد یک زبان مشترک برای محققان و تسریع روند پیشرفت در این حوزه است.

این مقاله حاصل همکاری تیمی از پژوهشگران برجسته از دانشگاه‌های معتبر جهان از جمله دانشگاه صنعتی نانیانگ (سنگاپور) و دانشگاه ادینبرو (بریتانیا) است. نویسندگان مقاله، جیانفی یانگ، شینیان چن، داژو وانگ، هان زو، کریس شیائوشوان لو، سومی سان و لیهوا شیه، همگی دارای سوابق درخشانی در زمینه‌های پردازش سیگنال، یادگیری ماشین و هوش مصنوعی هستند. این ترکیب بین‌رشته‌ای از تخصص‌ها به آنها امکان داده است تا پلی میان دنیای فیزیکی سیگنال‌های وای‌فای و دنیای انتزاعی مدل‌های یادگیری عمیق ایجاد کنند و یک چارچوب عملی و علمی دقیق ارائه دهند. این پژوهش در تقاطع حوزه‌های مهندسی برق، علوم کامپیوتر و هوش مصنوعی قرار می‌گیرد و نشان‌دهنده روند رو به رشد استفاده از هوش مصنوعی برای حل مسائل پیچیده در دنیای واقعی است.

مقاله SenseFi به بررسی جامع پیشرفت‌های اخیر در زمینه حسگری وای‌فای با کمک یادگیری عمیق می‌پردازد و سپس بنچمارک SenseFi را معرفی می‌کند. هدف اصلی این بنچمارک، مطالعه اثربخشی مدل‌های مختلف یادگیری عمیق برای وظایف حسگری است. اساس کار حسگری وای‌فای بر تحلیل داده‌هایی به نام اطلاعات وضعیت کانال (Channel State Information – CSI) استوار است. CSI توصیف می‌کند که سیگنال وای‌فای چگونه در مسیر خود از فرستنده به گیرنده تحت تأثیر محیط (مانند انعکاس از بدن انسان) تغییر می‌کند. این تغییرات ظریف، حامل اطلاعات ارزشمندی درباره فعالیت‌های در حال وقوع در محیط هستند.

در این بنچمارک، مدل‌های پیشرفته یادگیری عمیق از منظرهای مختلفی با یکدیگر مقایسه می‌شوند:

• وظایف حسگری متفاوت: مانند تشخیص فعالیت‌های کلی بدن (راه رفتن، نشستن) و تشخیص ژست‌های ظریف دست (هل دادن، تکان دادن دست).
• پلتفرم‌های وای‌فای مختلف: بررسی عملکرد مدل‌ها روی سخت‌افزارهای گوناگون.
• معیارهای ارزیابی کلیدی: دقت تشخیص، اندازه مدل، پیچیدگی محاسباتی و زمان اجرا.
• قابلیت انتقال ویژگی (Feature Transferability): آیا مدلی که در یک محیط آموزش دیده، در محیطی دیگر نیز به خوبی کار می‌کند؟
• سازگاری با یادگیری بدون نظارت: بررسی امکان یادگیری الگوها بدون نیاز به داده‌های برچسب‌دار.

این مقاله همچنین به عنوان یک راهنمای آموزشی جامع عمل می‌کند که محققان را از مرحله جمع‌آوری داده CSI با سخت‌افزار تا پیاده‌سازی الگوریتم‌های حسگری پیشرفته راهنمایی می‌کند. این اولین بنچمارک همراه با یک کتابخانه متن‌باز برای تحقیقات یادگیری عمیق در حوزه حسگری وای‌فای است.

روش‌شناسی ارائه شده در SenseFi یک فرآیند کامل و ساختاریافته را پوشش می‌دهد که شامل جمع‌آوری داده، پیش‌پردازش و ارزیابی مدل‌هاست.

۱. جمع‌آوری داده CSI: نویسندگان از کارت‌های شبکه وای‌فای تجاری (مانند Intel 5300 و Atheros) با ابزارهای متن‌باز برای استخراج داده‌های خام CSI استفاده کرده‌اند. این داده‌ها شامل اطلاعات دامنه و فاز سیگنال در چندین زیرحامل فرکانسی هستند که تصویری غنی از کانال ارتباطی ارائه می‌دهند.

۲. پیش‌پردازش سیگنال: داده‌های خام CSI دارای نویز و اطلاعات نامرتبط هستند. در این مرحله، از تکنیک‌های پردازش سیگنال مانند فیلتر کردن، حذف مقادیر پرت و نرمال‌سازی برای پاک‌سازی داده‌ها و آماده‌سازی آن‌ها برای ورودی به مدل‌های یادگیری عمیق استفاده می‌شود. یکی از تکنیک‌های مهم، تبدیل داده‌های سری زمانی CSI به نمایش‌های بصری مانند طیف‌نگاره (Spectrogram) است که به مدل‌های بینایی ماشین (مانند CNN) اجازه می‌دهد الگوهای مکانی-زمانی را استخراج کنند.

۳. مدل‌های یادگیری عمیق مورد ارزیابی: بنچمارک SenseFi طیف وسیعی از معماری‌های یادگیری عمیق را که برای داده‌های سری زمانی و تصویری مناسب هستند، مقایسه می‌کند:

• شبکه‌های عصبی کانولوشنی (CNN): این مدل‌ها برای استخراج ویژگی‌های محلی از نمایش‌های تصویری CSI بسیار مؤثر هستند و الگوهای فضایی را به خوبی تشخیص می‌دهند.
• شبکه‌های عصبی بازگشتی (RNN): مدل‌هایی مانند LSTM و GRU برای تحلیل وابستگی‌های زمانی در سیگنال CSI ایده‌آل هستند و می‌توانند الگوهای متوالی در فعالیت‌ها را یاد بگیرند.
• معماری‌های ترکیبی (Hybrid Models): ترکیب CNN و RNN که می‌تواند هم ویژگی‌های فضایی و هم الگوهای زمانی را به طور همزمان استخراج کند و معمولاً به نتایج بهتری منجر می‌شود.

۴. معیارهای ارزیابی جامع: برای مقایسه عادلانه، مدل‌ها بر اساس معیارهای چندگانه‌ای ارزیابی می‌شوند: دقت (Accuracy)، اندازه مدل (Model Size) که بر حافظه مورد نیاز تأثیر دارد، و پیچیدگی محاسباتی (FLOPs) که سرعت استنتاج را تعیین می‌کند. این ارزیابی چندوجهی به محققان کمک می‌کند تا بسته به محدودیت‌های کاربرد خود (مثلاً اجرای روی دستگاه‌های لبه با منابع محدود)، مدل مناسب را انتخاب کنند.

آزمایش‌های گسترده انجام شده در چارچوب SenseFi به نتایج و بینش‌های مهمی منجر شده است:

• هیچ مدلی برترین مطلق نیست: مشخص شد که عملکرد مدل‌ها به شدت به نوع وظیفه بستگی دارد. برای مثال، مدل‌های مبتنی بر CNN در تشخیص ژست‌های سریع و کوتاه عملکرد بهتری داشتند، در حالی که مدل‌های RNN در تشخیص فعالیت‌های پیچیده‌تر با الگوهای زمانی طولانی موفق‌تر بودند. مدل‌های ترکیبی اغلب بهترین توازن را ارائه می‌دهند.
• چالش قابلیت انتقال: یکی از بزرگترین چالش‌ها در دنیای واقعی، حساسیت به محیط (environment sensitivity) است. مدلی که در یک اتاق آموزش دیده، ممکن است با تغییر چیدمان یا در اتاقی دیگر عملکرد ضعیفی داشته باشد. یافته‌های مقاله نشان می‌دهد که تکنیک‌های یادگیری انتقال (Transfer Learning) و تطبیق دامنه (Domain Adaptation) می‌توانند این مشکل را تا حد زیادی کاهش دهند اما هنوز یک مسئله باز تحقیقاتی است.
• توازن بین دقت و کارایی: نتایج نشان داد که مدل‌های بزرگتر و پیچیده‌تر لزوماً همیشه بهترین گزینه نیستند. برخی مدل‌های سبک‌تر با معماری بهینه، دقتی قابل رقابت با مدل‌های سنگین ارائه می‌دهند در حالی که از نظر محاسباتی بسیار کارآمدتر هستند. این یافته برای پیاده‌سازی سیستم‌های حسگری روی دستگاه‌های اینترنت اشیاء (IoT) بسیار حائز اهمیت است.
• پتانسیل یادگیری بدون نظارت: مقاله نشان می‌دهد که روش‌های یادگیری بدون نظارت می‌توانند الگوهای معناداری را از داده‌های CSI استخراج کنند. این امر می‌تواند نیاز به جمع‌آوری و برچسب‌زنی حجم عظیمی از داده‌ها را کاهش دهد که فرآیندی زمان‌بر و پرهزینه است.

دستاوردهای این مقاله و کتابخانه SenseFi فراتر از یک پژوهش نظری است و کاربردهای عملی متعددی را تسهیل می‌کند:

• مراقبت‌های بهداشتی هوشمند: نظارت بر افراد مسن در خانه برای تشخیص سقوط، پایش کیفیت خواب بدون اتصال سنسور به بدن، و یا ردیابی الگوهای تنفسی.
• خانه‌های هوشمند و تعامل انسان و کامپیوتر: کنترل دستگاه‌های هوشمند (مانند چراغ‌ها یا موسیقی) با استفاده از ژست‌های دست، بدون نیاز به لمس یا گفتار. سیستم‌های امنیتی می‌توانند حضور افراد غیرمجاز را بدون استفاده از دوربین تشخیص دهند و حریم خصوصی را حفظ کنند.
• واقعیت مجازی و افزوده (VR/AR): ردیابی حرکات بدن کاربر برای تعامل طبیعی‌تر با محیط‌های مجازی.
• توانمندسازی جامعه تحقیقاتی: بزرگترین دستاورد SenseFi، ارائه یک کتابخانه متن‌باز و استاندارد است. این ابزار به محققان جدید اجازه می‌دهد تا به سرعت وارد این حوزه شوند، نتایج مقالات دیگر را بازتولید کنند و ایده‌های جدید خود را بر روی یک بستر مشترک و قابل اعتماد آزمایش کنند. این امر به طور قابل توجهی به پیشرفت علم در این زمینه کمک می‌کند.

مقاله “SenseFi: A Library and Benchmark on Deep-Learning-Empowered WiFi Human Sensing” یک گام بنیادین در جهت بلوغ و استانداردسازی حوزه حسگری انسانی مبتنی بر وای‌فای است. با ارائه یک بنچمارک جامع و یک کتابخانه متن‌باز، نویسندگان نه تنها مروری بر وضعیت فعلی این فناوری ارائه داده‌اند، بلکه ابزاری قدرتمند برای ارزیابی، مقایسه و توسعه مدل‌های جدید فراهم کرده‌اند. یافته‌های این پژوهش، بینش‌های ارزشمندی در مورد نقاط قوت و ضعف معماری‌های مختلف یادگیری عمیق و چالش‌های عملی مانند حساسیت به محیط ارائه می‌دهد.

SenseFi به عنوان یک منبع آموزشی و یک پلتفرم تحقیقاتی، موانع ورود به این حوزه را کاهش داده و راه را برای نوآوری‌های آینده هموار می‌کند. این کار به محققان کمک می‌کند تا از تلاش‌های تکراری پرهیز کرده و انرژی خود را بر حل مسائل اساسی متمرکز کنند. در نهایت، SenseFi نقشی کلیدی در تبدیل حسگری وای‌فای از یک کنجکاوی آکادمیک به یک فناوری کاربردی و قابل اعتماد در زندگی روزمره ایفا خواهد کرد.