Onderzoekers hebben ARGUS ontwikkeld, een passief Wi-Fi-sensingsysteem dat individuen kan identificeren zonder dat zij een apparaat bij zich dragen of specifieke bewegingen hoeven uit te voeren. Het systeem maakt gebruik van geavanceerde Transformers en statistische kaarten om menselijke aanwezigheid nauwkeurig te herkennen.
De traditionele biometrische identificatie steunt vaak op camera's of draagbare apparaten (wearables), maar deze methoden kunnen inbreuk maken op de privacy of onpraktisch zijn. Volgens een publicatie op arxiv.org biedt passieve, apparaatvrije identificatie een alternatief. Waar eerdere draadloze benaderingen vaak sterk afhankelijk waren van specifieke signalen zoals het loopritme (gait) of vooraf vastgelegde activiteiten, probeert ARGUS deze beperkingen te overstijgen.
Werking via 'statgrams' en Transformers
Het systeem ARGUS maakt gebruik van zogenaamde Channel State Information (CSI), gegevens die worden verzameld via standaard Wi-Fi-hardware. In plaats van ruwe data direct te analyseren, zet ARGUS korte CSI-sequenties om in compacte statistische kaarten, die door de onderzoekers "statgrams" noemen. Deze kaarten vatten essentiële kenmerken samen, waaronder de amplitude en fase van het signaal over tijd en subcarriers, zoals beschreven door de Internetworking Research Group van UCSC.
Om deze data te interpreteren, maakt het systeem gebruik van een lichtgewicht, decoder-only Transformer. Deze AI-architectuur leest fragmenten van de statgrams als tokens. Om de nauwkeurigheid te verhogen, combineert het systeem bewijslast over een langere periode via segment-level logit aggregatie.
Prestaties en efficiëntie
De effectiviteit van ARGUS is getest op een dataset met 154 proefpersonen. Uit de resultaten blijkt dat het systeem een Top-1 nauwkeurigheid van 78,88% behaalt bij observaties van zes seconden. Wanneer deze gegevens worden geaggregeerd over een periode van 60 seconden, stijgt de Top-1 nauwkeurigheid naar 84,85%. De Top-3 en Top-5 nauwkeurigheid scoren aanzienlijk hoger, met respectievelijk 98,61% en 99,26%, meldt learnijoy.com.
Naast de precisie focust het onderzoek op computationele efficiëntie. In vergelijking met een baseline-model dat gebruikmaakt van ruwe CSI-data, verbetert ARGUS de Top-1 nauwkeurigheid met 7,75 procentpunten. Tegelijkertijd verbruikt het systeem 4,4 keer minder floating point operations (FLOPs) per tijdvenster. Bovendien kan de input aanzienlijk worden gecomprimeerd; het systeem behoudt zijn volledige nauwkeurigheid voor een enkel venster, zelfs wanneer de helft van de statgram-patches wordt weggelaten, aldus de i-NRG nieuwssectie.
Toepassingen en beperkingen
De technologie is verder geëvalueerd via de multi-user benchmark WiMANS, die drie verschillende kamers en twee Wi-Fi-frequentiebanden beslaat. Hierbij bleef ARGUS concurrerend met de sterkste bestaande configuraties, terwijl het tot 27 keer minder inferentie-operaties vereiste.
Volgens kan deze technologie breed worden toegepast in sectoren zoals beveiliging, smart homes, retail en de gezondheidszorg, waarbij het dient als een privacy-vriendelijk alternatief voor visuele surveillance. Desondanks wijst de publicatie op op bepaalde beperkingen. Zo zijn er nog uitdagingen bij het afwijzen van personen die niet in de database voorkomen (open-set rejection) en bij de overdracht van herkenning tussen verschillende kamers (cross-room transfer).