WiFi CSI ile Kamera Kullanmadan Hareket Tanıma

CNN-LSTM tabanlı bir yaklaşım: sinyal fiziğinden model değerlendirmeye

Kamera tabanlı hareket tanıma sistemleri mahremiyet sorunları yaratır; giyilebilir sensörler sürekli kullanım gerektirir. WiFi Channel State Information (CSI) tabanlı sistemler ise bu ikisine de gerek kalmadan, halihazırda kurulu olan ağ altyapısından yararlanarak ortamdaki insan hareketlerini algılar.

Bu yazıda CSI verisinin yapısından başlayarak CNN-LSTM mimarisine, oradan overfitting ve cross-validation gibi model değerlendirme pratiklerine, son olarak self-enrollment mekanizmasına kadar sistematik bir şekilde ilerleyeceğim.

CSI Nedir?

CSI (Channel State Information), bir WiFi bağlantısındaki her alt taşıyıcı (subcarrier) için ölçülen genlik ve faz bilgisini içeren kanal karakterizasyon verisidir. Sinyal alıcıya ulaşana kadar ortamda şu fiziksel süreçlere maruz kalır:

• Yansıma (reflection)
• Kırılma (refraction)
• Çok yollu yayılım (multipath propagation)

Ortamdaki herhangi bir hareket bu süreçleri bozar ve ölçülen CSI matrisine doğrudan yansır. Bu yüzden CSI, ek donanım gerektirmeyen pasif bir hareket sensörü gibi davranır.

Matematiksel temsil: Her subcarrier için zaman boyunca örneklenen değerler şu veri yapısını oluşturur:

CSI Matrisi = Zaman × Subcarrier

Farklı aktiviteler bu matriste ayırt edilebilir desenler üretir; yani model için öğrenilebilir bir özellik uzayı oluşur. Aşağıdaki ısı haritaları üç farklı aktivite için bu desenleri göstermektedir:

Şekil 1 — El sallama, yürüme ve oturma aktivitelerine ait CSI ısı haritaları. Her aktivite farklı uzamsal ve zamansal bir imza bırakır.

El sallama yüksek frekanslı ve lokalize enerji artışları üretirken yürüme periyodik bir yapı sergiler. Oturma ise alt taşıyıcılar genelinde göreceli bir kararlılıkla kendini gösterir. Bu ayrışma, modelin doğrudan kullanabileceği anlamlı bir sinyal yapısı anlamına gelir.

Model Mimarisi: CNN + LSTM

CSI verisi hem uzamsal hem zamansal boyut içerdiğinden, bu iki boyutu ayrı ayrı işleyebilen bir mimari gereklidir. CNN ve LSTM bu görevi birbirini tamamlayacak şekilde paylaşır.

CNN — Uzamsal Özelliklerin Çıkarılması

Evrişimli katmanlar CSI matrisindeki yerel desenleri yakalar. Bir aktiviteye özgü enerji yoğunlaşmaları, frekans bantlarındaki karakteristik değişimler ve subcarrier korelasyonları bu aşamada öğrenilmiş temsillere dönüştürülür. Daha derin katmanlar giderek daha soyut özellikler üretir.

LSTM — Zamansal Bağımlılığın Modellenmesi

CNN çıktısı olan özellik dizisi bir LSTM katmanına beslenir. LSTM bu dizideki uzun mesafeli bağımlılıkları ve hareketin zamana yayılan yapısını modellemek için tasarlanmıştır:

CNN tek bir kareyi anlar; LSTM, o karelerin zaman içindeki seyrini.

Bu ayrım pratikte belirleyicidir. Tek bir CSI çerçevesi çoğu zaman belirsizdir; ancak ardışık çerçevelerin oluşturduğu dizi, aktiviteyi ayırt edecek yeterli bilgiyi taşır.

Şekil 2 — CNN + LSTM mimari şeması. Conv2D ve MaxPool katmanları uzamsal özellikleri çıkarır; LSTM zamansal bağımlılığı öğrenir; Dropout ve Softmax son sınıflandırmayı üstlenir.

Overfitting ve Regularization

Overfitting, modelin eğitim dağılımını genellemek yerine ezberlemesidir. CSI tabanlı sistemlerde bu risk özellikle yüksektir: ortam değişkenliği fazla, etiketli veri ise genellikle sınırlıdır.

Tipik bir senaryo şöyle görünür:

Train Accuracy → %94

Test Accuracy → %71

Şekil 3 — Train/Test accuracy eğrileri. Epoch 22 civarında iki eğri arasındaki fark açılmaya başlar; bu noktadan itibaren model eğitim verisine özgü gürültüyü de öğreniyor demektir.

Eğitim doğruluğu artmaya devam ederken doğrulama performansının yatay seyretmesi ya da gerilemesi, modelin veri dağılımına değil örneklere uyum sağladığını gösterir.

Başlıca Çözümler

• Dropout (0.2–0.5): Overfitting arttıkça değer yükseltilir; underfitting gözlemlenirse azaltılır.
• Veri augmentasyonu: Mevcut örneklerden sentetik varyasyonlar türetilerek dağılım genişletilir.
• Model kapasitesinin azaltılması: Gereksiz parametre sayısını kısmak genelleme gücünü artırır.
• Cross-validation: Tek bir bölünmeye bağlı kalmak yerine varyansı ölçen bir değerlendirme protokolü uygulanır.

Cross-Validation

Tek bir train/test bölünmesiyle elde edilen metrikler, bölünmenin rastgele yapısından kaynaklanan varyansa karşı kırılgandır. Cross-validation bu varyansı ölçer ve gerçek genelleme kapasitesine ilişkin daha güvenilir bir tahmin üretir.

k-fold yaklaşımında veri k eşit parçaya bölünür; model k kez eğitilip her seferinde farklı bir parça test kümesi olarak kullanılır. Sonuç olarak yalnızca ortalama performans değil, standart sapma da elde edilir — bu ikincisi, tek bir ölçümün ne kadar yanıltıcı olabileceğini ortaya koyar.

Cross-User Değerlendirme

Bir modelin lab doğruluğu yüksek olsa bile sahada başarısız olmasının en yaygın nedeni, eğitimde hiç görmediği kullanıcılara genelleme yapamamasıdır. Cross-user değerlendirmesi bu senaryoyu simüle eder: eğitim ve test kümeleri kullanıcı bazında kesin biçimde ayrılır.

Cross-user başarısı düşükse model, insan hareketini değil belirli kişilerin kinematik alışkanlıklarını öğrenmiş demektir.

Bu testin geçilmesi, sistemin gerçek dünya koşullarında yeni kullanıcılara genelleyebildiğini doğrular ve dağıtım kararının temel kriterlerinden biri olmalıdır.

Self-Enrollment

Her yeni kullanıcı için modeli sıfırdan eğitmek ölçeklenebilir değildir. Self-enrollment bu sorunu transfer learning yaklaşımıyla çözer: önceden eğitilmiş özellik çıkarıcı dondurulur, yalnızca çıkış katmanı yeni kullanıcının küçük miktardaki verisiyle güncellenir.

• Özellik çıkarıcı (CNN + LSTM) — ağırlıklar sabit tutulur. Genel hareket temsillerini öğrenmiş bu katmanları yeniden eğitmeye gerek yoktur.
• Çıkış katmanı — yeni kullanıcıya özgü birkaç örnekle ince ayar yapılır. Bu aşama saniyeler içinde tamamlanabilir.

Bu mimari, sistemi laboratuvar ortamından gerçek dünya kullanımına taşıyan temel adaptasyon mekanizmasıdır.

Sonuç

WiFi CSI tabanlı hareket tanıma, pasif ve mahremiyet dostu bir algılama yöntemi olarak pratikte uygulanabilir bir olgunluğa ulaşmıştır. CNN–LSTM mimarisi, verinin hem uzamsal hem zamansal boyutunu işleyerek yüksek temsil gücü sağlar.

Ancak bir modelin lab doğruluğu tek başına yeterli bir metrik değildir. Gerçek performans değerlendirmesi için overfitting analizi, cross-validation ve cross-user testleri zorunludur. Self-enrollment gibi adaptif mekanizmalar ise bu sistemleri ölçeklenebilir kılar.

Sinyal fiziğini anlamadan model kurmak, modeli anlamadan da dağıtmak aynı derecede risklidir. İkisi birlikte ele alındığında ortaya gerçekten işe yarar bir sistem çıkar.