대역폭 제한 Wi‑Fi 센싱을 위한 하이브리드 딥러닝 기반 CSI 활동 인식 프레임워크

초록

본 논문은 제한된 대역폭 환경에서 CSI 기반 인간 활동 인식(HAR)의 정확도를 높이기 위해, 먼저 위상 정보에서 도플러 트레이스를 추출해 움직임 특징을 강화하고, 이를 Inception‑BiLSTM 하이브리드 신경망으로 공간·시간 특징을 학습한 뒤, 최종적으로 SVM으로 결정 경계를 정교화하는 IBIS 프레임워크를 제안한다. 20 MHz, 40 MHz, 80 MHz 세 대역폭에서 각각 89.27 %, 94.13 %, 95.30 %의 정확도를 달성했으며, 특히 저대역폭에서 기존 Inception 단일 모델 대비 16 %p 이상의 성능 향상을 보였다.

상세 분석

IBIS는 크게 네 단계로 구성된다. 첫 번째 단계는 CSI 위상 데이터에서 단일 안테나당 도플러 스펙트로그램을 생성하는 전처리이다. 위상은 진폭보다 움직임에 민감하므로, 진폭을 배제하고 LASSO 기반 필터링으로 잡음과 오프셋을 보정한다. 이렇게 얻은 도플러 트레이스는 시간‑주파수 도메인에서 고유한 속도 패턴을 드러내며, 저대역폭에서도 충분한 차별성을 제공한다. 두 번째 단계는 Inception 모듈이다. 1‑D 컨볼루션을 1, 3, 5 샘플 커널 크기로 병렬 적용해 다중 스케일의 공간(주파수) 특징을 추출한다. 이는 다양한 움직임 속도와 주파수 대역을 동시에 포착함으로써, 좁은 대역폭에서 손실되는 세부 정보를 보완한다. 세 번째 단계는 양방향 LSTM(BiLSTM)이다. 앞·뒤 방향의 순환 구조가 도플러 트레이스의 시간적 연속성을 학습해, 걷기·달리기·점프와 같은 동적 활동을 구분한다. 특히 BiLSTM은 장기 의존성을 유지하면서도, Inception이 만든 고차원 특징 맵을 시계열적으로 정제한다. 마지막 단계는 SVM이다. BiLSTM의 출력 확률 벡터를 입력으로 받아, 커널(다항, RBF, 시그모이드)과 정규화 파라미터 C, γ를 그리드 서치로 최적화한다. SVM은 고차원 특징 공간에서 마진을 최대화해 클래스 간 경계가 얇게 겹치는 저대역폭 상황에서도 강인한 분류를 가능하게 한다. 실험은 Meneghello 데이터셋의 가장 복잡한 시나리오 S7을 사용했으며, 20 MHz, 40 MHz, 80 MHz 대역폭을 서브캐리어 집합을 재구성해 시뮬레이션했다. 결과는 IBIB가 Inception 단일 모델 대비 각각 16.07 pp, 7.65 pp, 1.17 pp의 정확도 향상을 보였으며, 특히 20 MHz에서 다항 커널이 최적이었다. 이는 도플러 기반 전처리와 BiLSTM‑SVM 결합이 저대역폭에서 손실된 스펙트럼 정보를 효과적으로 복원한다는 증거이다. 또한 안테나 병합(다중 안테나 예측의 다수결) 전략을 적용해 소폭의 추가 향상을 얻었다. 전체적으로 IBIS는 대역폭 제한이 심한 실환경 Wi‑Fi 센싱에서도 실시간 HAR을 구현할 수 있는 실용적인 솔루션으로 평가된다.