Rooman Sapienza-yliopiston tutkijat ovat kehittäneet WhoFi-järjestelmän, joka kykenee tunnistamaan ihmiset ilman kameraa pelkästään Wi-Fi-signaalien avulla. Ratkaisu hyödyntää langattomien reitittimien tuottamaa Channel State Information (CSI) -dataa, joka sisältää yksilöllisiä piirteitä ihmisen kehon rakenteesta, liikkeistä ja jopa sisäisestä koostumuksesta.
Käytännössä Wi-Fi-signaalin kulku vääristyy eri tavoin riippuen siitä, kuka sen tiellä liikkuu – ja tämä vääristymä toimii henkilön ainutlaatuisena “radiobiometrisena allekirjoituksena”.
Perinteiset henkilöiden uudelleentunnistusmenetelmät perustuvat yleensä videokuvaan, jossa analysoidaan esimerkiksi kehon muotoa, vaatetusta ja kävelytyyliä. Niiden heikkoutena ovat kuitenkin valaistusolosuhteet, kamerakulmien vaihtelu ja peittymiset, jotka heikentävät tunnistuksen tarkkuutta. Wi-Fi-signaaleihin perustuva ratkaisu ei kärsi samoista ongelmista: se toimii pimeässä, seinien takaa ja ilman, että ihmisen täytyy olla suoraan kameran edessä. Lisäksi se tarjoaa paremman yksityisyydensuojan, sillä järjestelmä ei tallenna visuaalista dataa.
WhoFi hyödyntää syväoppimismalleja, jotka muuntavat Wi-Fi-signaalin muutokset tiiviiksi biometriseksi allekirjoitukseksi. Tutkimuksessa testattiin kolmea eri neuroverkkoarkkitehtuuria – LSTM-, Bi-LSTM- ja Transformer-malleja. Tulokset osoittivat, että Transformer-arkkitehtuuri oli selvästi ylivoimainen, sillä se kykenee mallintamaan pitkiä aikajänteitä ja monimutkaisia signaaliriippuvuuksia paremmin kuin perinteiset toistojaksolliset verkot.
Testit suoritettiin datasarjalla, joka sisälsi 14 koehenkilön Wi-Fi-signaalit tilanteissa, joissa henkilöt olivat pukeutuneet eri tavoin: pelkkä t-paita, takki päällä sekä takki ja reppu yhdessä. Tämä toi mukaan vaihtelua, joka tekee tunnistuksesta realistisempaa ja lähempänä todellisia käyttötilanteita esimerkiksi valvonnassa tai turvajärjestelmissä.
Tulokset olivat vakuuttavia: Transformer-malli saavutti 95,5 prosentin tarkkuuden, mikä tarkoittaa, että henkilö löytyi oikein jo ensimmäisestä vaihtoehdosta lähes joka kerta. Lisäksi keskimääräinen tarkkuutta kuvaava arvo nousi 88,4 prosenttiin, mikä osoittaa menetelmän luotettavuuden eri tilanteissa. Verrattuna visuaalisiin menetelmiin Wi-Fi-tunnistus tarjoaa kilpailukykyisen vaihtoehdon, joka toimii ympäristöissä, joissa kamerat epäonnistuvat.
Tutkimuksen mukaan tietyt esikäsittelyt, kuten signaalin amplitudin suodatus, eivät aina parantaneet tuloksia. Joskus ne jopa poistivat hyödyllistä informaatiota. Sen sijaan signaalin augmentointi eli keinotekoinen vaihtelu auttoi etenkin LSTM-pohjaisia malleja yleistymään paremmin. Transformerin suorituskyky oli kuitenkin niin vahva, että se päihitti muut menetelmät riippumatta datan käsittelystä.
