Finding the Missing Data: A BERT-inspired Approach Against Package Loss in Wireless Sensing

尽管已经发展了各种深度学习方法用于Wi-Fi感知，但数据包丢失经常导致信道状态信息（CSI）的不连续估计，从而对学习模型的性能产生负面影响。为了克服这一挑战，我们提出了一种基于双向编码器表示转换器（BERT）的CSI恢复深度学习模型，称为CSI-BERT。CSI-BERT可以在目标数据集上进行自监督训练，无需额外数据。此外，与传统的逐个子载波插值方法不同，CSI-BERT捕捉了不同子载波之间的连续关系。实验结果表明，即使面对高丢包率，CSI-BERT的误差率更低，速度更快，比传统的插值方法更优秀。此外，通过利用从CSI-BERT获得的恢复CSI，其他深度学习模型，如残差网络和循环神经网络，可以在Wi-Fi感知任务中实现平均约15％的准确度提高。我们收集的WiGesture数据集和模型代码可在https://github.com/RS2002/CSI-BERT上公开获取。

本论文旨在解决Wi-Fi信号传输中包丢失所导致的CSI不连续问题，提出了一种基于BERT的CSI恢复的深度学习模型，名为CSI-BERT。

CSI-BERT可以在目标数据集上进行自监督训练，无需额外数据，能够捕捉不同子载波之间的时序关系，从而实现更准确、更快速的CSI恢复，进而提高Wi-Fi感知任务的准确性。

论文使用了公开数据集WiGesture，实验结果表明CSI-BERT相比传统插值方法具有更低的误差率和更快的速度，而且使用CSI-BERT恢复的CSI能够提高其他深度学习模型的准确性约15%。论文代码已经公开在GitHub上。

与本论文相关的研究包括：1.《Deep Wi-Fi: Deep Learning-Based Wi-Fi Fingerprinting for Indoor Localization》；2.《DeepSense: A Unified Deep Learning Framework for Time-Series Mobile Sensing Data Processing》；3.《DeepFi: Deep Learning for Indoor Wireless Fingerprinting Using Channel State Information》。