Siamese neural networks for transferable csi-based wi-fi sensing

This thesis explores the use of a Siamese Neural Network for human activity recognition based on the use of CSI (Channel State Information) data from Wi-Fi transmissions, with the aim of increasing the robustness and transferability across different sensing systems. The main idea is to learn a representation of the signal that can capture similarities across different receivers to discard multipath effects and extract meaningful environment-independent features. The data, collected in various scenarios and using multiple synchronized receivers, are organized into fixed-length sliding windows so that the temporal structure of the signal is preserved. Rather than relying only on direct classification, the proposed approach focuses on learning how to compare signal windows in a latent space of embeddings which structurally imposes proximity on samples that come from the same target activity. In this way, the network is trained to recognize when two signal windows refer to the same activity even at different receivers. The results show that the siamese architecture constitutes a promising solution for multi-view CSI-based activity recognition albeit generalization remains problematic.

Questa tesi esplora l'uso di una rete siamese per il riconoscimento delle attività umane basato su dati CSI (Channel State Information) estratti da segnali Wi-Fi, con l'obiettivo di aumentare la robustezza e trasferibilità del sistema di sensing. L'idea principale è apprendere una rappresentazione del segnale in grado di catturare somiglianze tra diversi ricevitori, così da ridurre gli effetti del multipath ed estrarre caratteristiche significative e indipendenti dall'ambiente. I dati, raccolti in diversi scenari e utilizzando più ricevitori sincronizzati, sono organizzati in finestre scorrevoli di lunghezza fissa, in modo da preservare la struttura temporale del segnale. Anziché basarsi soltanto sulla classificazione diretta, l'approccio proposto si concentra sull'apprendimento di rappresentazioni in uno spazio latente di embedding, in modo da avvicinare strutturalmente i campioni appartenenti alla stessa attività. In questo modo, la rete viene addestrata a riconoscere quando due finestre di segnale corrispondono alla stessa attività, anche se provengono da ricevitori diversi. I risultati mostrano che la combinazione tra preprocessing temporale e architettura siamese costituisce una soluzione promettente per il riconoscimento multi-view di attività basato su CSI, sebbene la generalizzazione rimanga problematica.