摘要

尽管已经开发了多种用于Wi-Fi感知的深度学习方法，但数据包丢失常常导致信道状态信息（Channel State Information, CSI）估计的不连续性，从而对学习模型的性能产生负面影响。为了解决这一挑战，我们提出了一种基于双向变压器编码器表示（Bidirectional Encoder Representations from Transformers, BERT）的CSI恢复深度学习模型，命名为CSI-BERT。该模型可以在目标数据集上以自监督的方式进行训练，而无需额外的数据。此外，与传统的插值方法一次只关注一个子载波不同，CSI-BERT能够捕捉不同子载波之间的顺序关系。实验结果表明，即使在高丢失率的情况下，CSI-BERT相比传统插值方法仍能实现更低的误差率和更快的速度。此外，通过利用CSI-BERT恢复的CSI数据，其他深度学习模型如残差网络（Residual Network）和循环神经网络（Recurrent Neural Network）在Wi-Fi感知任务中可以平均提高约15%的准确性。我们收集的数据集WiGesture和模型代码已公开发布在https://github.com/RS2002/CSI-BERT。