Este whitepaper evalúa arquitecturas de redes neuronales convolucionales entrenadas en espectrogramas de amplitud de CSI para la clasificación sin dispositivo de actividades humanas, comparando precisión y latencia con líneas base clásicas de aprendizaje automático.
Describe el pipeline de transformada de Fourier de corto plazo que convierte series temporales brutas de CSI en espectrogramas Doppler, y el conjunto de datos de actividades etiquetadas usado para el entrenamiento supervisado en las clases caminar, sentarse, caer e inactivo.
Presenta una arquitectura CNN compacta que logra inferencia en tiempo real en hardware de borde, reportando precisión de clasificación, matrices de confusión y comparación con líneas base de SVM y Random Forest en sujetos reservados para prueba.