Wi-Fi CSI姿态识别：从实验室高精度到跨环境泛化崩塌的深度实验

1. 项目概述：当Wi-Fi信号成为你的“眼睛”

在智能感知领域，我们总在寻找一种平衡：既想获得精准的环境信息，又不想侵犯个人隐私。摄像头虽然强大，但在卧室、卫生间等私密空间里，总让人心里犯嘀咕。有没有一种“看不见的眼睛”，能默默感知我们的存在与姿态，却又不留下任何视觉记录呢？

这正是基于无线局域网信道状态信息（CSI）的姿态识别技术试图回答的问题。简单来说，你的手机、路由器每天都在收发Wi-Fi信号，这些信号在空气中传播时，遇到墙壁、家具，当然还有你，会发生反射、折射和衰减。CSI就是描述信号从发射端到接收端，经过每条可能路径后状态的一组精细数据，它包含了信号的幅度和相位信息。当你从站立变为坐下，你的身体遮挡和改变了信号的传播路径，CSI数据就会产生微妙但可捕捉的变化。这项技术的魅力在于，它无需任何额外传感器，仅利用现成的Wi-Fi设备，就能实现一种“无感”的、保护隐私的行为感知。

然而，理想很丰满，现实却很骨感。我和很多同行在初期实验中都曾兴奋地看到，在精心布置的实验室环境下，模型识别“站、坐、躺”的准确率轻松突破90%。可一旦把设备搬到隔壁房间，甚至只是把沙发挪个位置，模型的性能就可能断崖式下跌，仿佛一夜之间变成了“瞎子”。这背后的核心难题，就是空间泛化能力。一个只能在“温室”里工作的模型，离真正的实用还有十万八千里。

因此，我决定深入这个坑，进行一次系统性的“压力测试”。我不满足于仅仅展示某个模型在特定环境下的高精度，而是要刨根问底：当环境发生变化时，这些基于CSI和机器学习的姿态识别模型，到底有多“脆弱”？我们又该如何量化并理解这种脆弱性？本文将围绕一次完整的对比实验展开，详细拆解从数据采集、模型构建到跨环境验证的全过程，并分享我在这个过程中踩过的坑和收获的洞见。

2. 核心思路与实验设计拆解

2.1 为什么选择CSI，而不是RSSI？

在无线传感中，大家更熟悉的可能是接收信号强度指示（RSSI），它就是一个简单的信号强度值。但RSSI太“粗糙”了，它把所有多径效应（信号经过不同路径到达接收端）混叠成了一个值，信息损失严重。CSI则不同，它以正交频分复用（OFDM）系统中的子载波为粒度，提供了每个子载波上的幅度和相位信息。

你可以把Wi-Fi信道想象成一条宽阔的高速公路（比如20MHz带宽），而CSI将这条公路划分成了几十个并行的窄车道（子载波）。当环境中出现扰动（比如你挥了挥手），相当于在某个车道上设置了路障，影响了该车道的通行状况（CSI变化），但其他车道可能不受影响。这种细粒度的信息使得CSI对微小的环境变化极其敏感，非常适合用于精细动作识别。我们的实验基于常见的2.4GHz频段，利用3发3收的天线配置，最终获得的原始数据是一个五维张量：(时间样本数， 子载波索引， 发射天线， 接收天线， 幅度/相位)。这个高维数据结构，正是我们后续所有机器学习模型的“食材”。

2.2 实验环境设计：如何科学地“制造”差异？

为了检验空间泛化能力，简单地换一个房间是不够的，必须控制变量。我们设计了两个物理结构不同的室内环境：

• 环境A：一个相对标准的房间，宽5米，长3米，高2.5米。
• 环境B：尺寸更大的房间，宽6.6米，长4.7米，高2.6米。

两个环境在尺寸、形状、内部家具布局和墙体材质上均不同，这是为了模拟真实世界中部署场景的多样性。但有一个关键变量我们保持了严格一致：发射路由器与接收天线阵列之间的直线距离和相对高度。这一点至关重要。因为如果距离和高度都变了，那么信号衰减的基线水平就完全不同，模型性能下降可能简单地归因于信号强度变化，而非我们想探究的“空间结构”影响。通过固定收发端相对位置，我们确保性能变化主要源于房间几何形状、多径反射环境等空间特征的差异。

2.3 模型阵容选择：从经典到前沿的“全家桶”

我们不是只测试最火的深度学习，而是组建了一个覆盖不同哲学流派的“模型战队”，目的是看不同特性的模型在面对环境变化时，谁更“抗造”：

1. 线性判别分析（LDA）：作为基线模型。它试图找到最佳线性投影方向来区分类别，计算高效，但对非线性关系束手无策。用它来探探CSI数据的线性可分性到底有多高。
2. 朴素贝叶斯-支持向量机（NB-SVM）：一个有趣的组合。先用朴素贝叶斯将高维CSI特征转换为类别的对数概率特征，再喂给SVM。这相当于让SVM在一种“语义化”的特征空间里工作，有时能取得奇效。
3. 核支持向量机（Kernel-SVM）：我们使用了高斯径向基（RBF）核。它的强大之处在于，能通过核函数将数据映射到高维空间，从而拟合复杂的非线性边界。理论上，它应该比LDA更能捕捉CSI中的复杂模式。
4. 随机森林（Random Forest）：集成学习的代表。通过构建大量决策树并投票，它能有效降低过拟合风险，对特征间的复杂交互关系建模能力强，且能给出特征重要性排序。
5. 卷积神经网络（CNN）：当下的明星选手。我们专门为CSI数据设计了网络结构。原始数据被重塑为类似图像的高度、宽度、通道数格式，让CNN能自动学习空间（天线间）和频率（子载波间）的局部相关模式。

这个阵容从简单的线性模型到复杂的非线性模型，从统计方法到深度学习，基本涵盖了CSI分类任务的主流选择。通过横向对比，我们能更全面地评估泛化问题的普遍性。

2.4 数据策略：不仅要看“吃饱”，还要看“吃好”

数据是机器学习的燃料。我们不仅关心模型在数据充足时的表现，更关心它们对数据量的依赖程度。因此，我们采用了渐进式数据集策略：

• 在环境A中，为“站、坐、躺”三种姿态各采集2000个样本，共6000个。
• 从中为每种姿态固定预留200个样本（共600个）作为验证集，用于评估在环境A内的性能。
• 用剩余5400个样本，构造了从少到多6个训练集：Set A（每类300样本）到 Set F（每类1800样本）。

这样，我们就能绘制出模型性能随训练数据量增长的曲线，观察哪些模型是“数据饥渴型”，哪些在少量数据下就能表现良好。这对于实际应用成本至关重要。

最后，在环境B中，我们为每种姿态新采集100个样本（共300个），作为泛化测试集。所有在环境A上用Set F训练到最优的模型，都将在这个全新的数据集上接受终极考验。

3. 从原始数据到模型输入：关键预处理步骤详解

拿到原始的CSI数据只是第一步，如何把它“烹饪”成模型能消化且爱吃的形式，这里面门道很多，直接决定了模型的生死。

3.1 数据格式转换与降维

从网卡驱动层获取的原始数据通常是二进制格式。我们首先将其转换为5维的NumPy数组：(5, 30, 3, 3, 2)。这个形状的含义是：5个连续时间戳、30个子载波、3根发射天线、3根接收天线、每个CSI值包含幅度和相位2个元素。

第一个关键决策：相位信息的取舍。CSI相位信息极其敏感，对环境微小变化（如温度漂移、设备晶振偏移）的鲁棒性很差，直接使用往往引入大量噪声。在本次实验中，经过反复尝试，我们决定舍弃相位信息，仅使用幅度。这虽然损失了一部分信息，但大幅提升了数据的稳定性。于是数据降为4维：(5, 30, 3, 3)。

第二个操作：天线维度合并。3发3收共9条链路，每条链路都有30个子载波。我们将发射和接收天线维度合并，得到形状为(5, 30, 9)的数据。你可以把这想象成有9个并行的“传感器”，每个“传感器”在30个不同频率点上，连续采集了5个时刻的读数。

最终输入重塑：为了适配CNN，我们将其进一步转换为(batch_size, 9, 30, 5)。这里，9被视为“通道”数（类似图像的RGB三通道），30x5被视为一个二维的“特征图”，其中一维是频率（子载波），另一维是时间。这种重塑让CNN的卷积核能够在“频率-时间”平面上滑动，自动提取具有时空局部性的模式。

实操心得：幅度归一化是关键不同环境、不同距离下，CSI幅度绝对值差异巨大。必须对每个样本进行归一化，否则模型会学到无关的绝对强度信息。我们采用逐样本的Z-score归一化（减去均值除以标准差），注意这里的均值和标准差是在该样本自身的9x30x5个数据点上计算的，目的是消除整体能量差异，保留相对变化模式。

3.2 特征工程：为传统机器学习模型“加餐”

对于LDA、SVM、随机森林这些传统模型，不能直接喂入高维的原始数据。我们进行了手工特征提取，主要从三个维度：

1. 统计特征：针对每条链路（9条）的30个子载波在5个时间片上的幅度序列，计算均值、方差、偏度、峰度、四分位距等。这描述了信号分布的宏观形态。
2. 时频域特征：对每条链路的幅度时间序列（5个点）做快速傅里叶变换（FFT），提取主要频率分量的幅值。同时，计算相邻子载波幅度之间的相关性，这能反映频率选择性衰落的特点。
3. 链路间特征：计算不同发射-接收天线对之间幅度向量的相关系数或协方差。人体对不同空间路径的影响是不同的，这个矩阵能刻画空间多样性。

最终，对于一个样本，我们提取了大约200个手工特征。这虽然费时费力，但能显著提升传统模型在有限数据下的表现，也为模型可解释性提供了基础。

3.3 标签处理与类别平衡

我们的任务是三分类（站、坐、躺）。由于数据采集时是顺序进行的，需要特别注意打标签的准确性。我们采用滑动窗口法，每个窗口包含5个连续CSI采样（对应输入数据的时间维5）。为确保姿态稳定，我们只在参与者保持姿势至少2秒后开始采集该窗口数据。

三类样本数量严格保持平衡（训练集各1800，验证集各200）。类别不平衡会导致模型偏向多数类，在验证泛化能力时会产生误导性结果。

4. 五大模型构建、训练与调优实录

4.1 线性判别分析（LDA）：快速基线

LDA的实现相对直接。我们使用提取好的200维手工特征。核心是求解类间散度矩阵和类内散度矩阵的广义特征值问题，找到最优投影方向。

from sklearn.discriminant_analysis import LinearDiscriminantAnalysis # 假设 X_train 是 (N_samples, 200) 的特征矩阵， y_train 是标签 lda = LinearDiscriminantAnalysis(solver='svd', shrinkage=None) lda.fit(X_train_scaled, y_train) # 务必先对特征进行标准化

调优重点：对于小样本高维数据，类内散度矩阵可能奇异。我们尝试了自动收缩（shrinkage='auto'）来估计协方差矩阵，但发现在我们数据量尚可的情况下，直接使用奇异值分解（SVD）求解器更稳定。

结果初窥：在环境A的验证集上，LDA随着数据量增加，准确率最终稳定在72%左右。这说明CSI数据并非线性可分，但线性模型也能捕捉相当一部分信息，作为一个性能下限的参考很有价值。

4.2 朴素贝叶斯-支持向量机（NB-SVM）：特征变换的妙用

这个组合的实现需要分两步：

1. 朴素贝叶斯变换：我们使用多项式朴素贝叶斯（适用于离散计数特征，但我们对连续特征做了分桶处理）或高斯朴素贝叶斯。不是直接用它的分类结果，而是获取每个样本属于三个类别的对数概率[log(P(class1|X)), log(P(class2|X)), log(P(class3|X))]。这3个值就构成了新的特征向量。
2. SVM分类：将这个3维的新特征向量输入到一个线性SVM中进行最终分类。

from sklearn.naive_bayes import GaussianNB from sklearn.svm import LinearSVC from sklearn.pipeline import Pipeline # 创建管道 nb_svm_pipeline = Pipeline([ ('nb_feature', GaussianNB()), # 用于特征变换 ('svm', LinearSVC(C=1.0, max_iter=10000)) ]) # 训练时，管道会自动用NB.transform产生新特征再给SVM nb_svm_pipeline.fit(X_train, y_train)

核心技巧：这里的关键在于，朴素贝叶斯基于特征条件独立的强假设，虽然这个假设在CSI数据上几乎肯定不成立，但这种“错误”的简化有时能起到正则化效果，过滤掉一些噪声和复杂关联，生成更鲁棒的特征。SVM再在这个低维、语义化的空间里寻找分界面，计算复杂度大大降低。

4.3 核支持向量机（RBF-SVM）：应对非线性

我们直接使用Scikit-learn的SVC，并选择RBF核。

from sklearn.svm import SVC from sklearn.model_selection import GridSearchCV param_grid = { 'C': [0.1, 1, 10, 100], 'gamma': ['scale', 'auto', 0.01, 0.1, 1] # gamma是RBF核参数 } svm_rbf = GridSearchCV(SVC(kernel='rbf', probability=True), param_grid, cv=5, n_jobs=-1) svm_rbf.fit(X_train_scaled, y_train)

调优血泪史：RBF-SVM有两个超参数非常敏感：惩罚系数C和核系数gamma。C太大容易过拟合训练环境的细微噪声；gamma太大，核函数作用范围小，模型可能变得非常复杂。我们通过网格搜索交叉验证来寻找最优组合。一个重要的发现是，在环境A上通过交叉验证得到的最优gamma往往偏小（即核作用范围大），这可能是模型在试图学习更全局、更平滑的模式，但这也可能为后续的泛化失败埋下伏笔。

4.4 随机森林：稳健的集成者

随机森林以其抗过拟合能力著称，我们期望它在泛化上能有更好表现。

from sklearn.ensemble import RandomForestClassifier rf = RandomForestClassifier( n_estimators=500, # 树的数量，越多越稳定，但计算量越大 max_depth=None, # 不限制深度，让树充分生长 min_samples_split=2, # 内部节点再划分所需最小样本数 min_samples_leaf=1, # 叶节点最少样本数 max_features='sqrt', # 寻找最佳分割时考虑的特征数，默认sqrt(n_features) bootstrap=True, # 使用bootstrap采样 n_jobs=-1, random_state=42 ) rf.fit(X_train, y_train) # 随机森林对特征尺度不敏感，无需标准化

关键参数解读：

• n_estimators：我们设为500，确保模型充分收敛。绘制OOB误差曲线可以看到，大约300棵树后误差基本稳定。
• max_features='sqrt'：这是引入随机性的关键。每棵树分裂时只随机考虑一部分特征（这里是sqrt(200)≈14个），强制让每棵树变得不同，增强集成的多样性，这是泛化能力的保障。
• 我们没有进行严格的剪枝（min_samples_leaf=1），因为希望通过袋外误差（OOB Error）来天然地估计泛化误差。

附加价值——特征重要性：训练完成后，rf.feature_importances_给出了每个手工特征的贡献度排名。我们发现，来自不同天线链路的幅度方差、以及链路间相关系数等特征排名靠前，这印证了空间多样性信息对于姿态区分的重要性。

4.5 卷积神经网络（CNN）：端到端的王者

这是我们的重头戏。模型结构基于经典的ConvNet设计，但输入维度是针对CSI定制的。

import torch.nn as nn class CSI_CNN(nn.Module): def __init__(self, num_classes=3): super(CSI_CNN, self).__init__() # 输入形状: (batch, 9, 30, 5) self.conv1 = nn.Conv2d(in_channels=9, out_channels=32, kernel_size=(3,3), padding=1) self.bn1 = nn.BatchNorm2d(32) self.pool1 = nn.MaxPool2d(kernel_size=(2,2)) # 输出: (batch, 32, 15, 2) self.conv2 = nn.Conv2d(32, 64, kernel_size=(3,3), padding=1) self.bn2 = nn.BatchNorm2d(64) self.pool2 = nn.MaxPool2d((2,2)) # 输出: (batch, 64, 7, 1) self.flatten = nn.Flatten() self.fc1 = nn.Linear(64*7*1, 128) self.dropout = nn.Dropout(p=0.5) # 强正则化！ self.fc2 = nn.Linear(128, num_classes) def forward(self, x): x = self.pool1(F.relu(self.bn1(self.conv1(x)))) x = self.pool2(F.relu(self.bn2(self.conv2(x)))) x = self.flatten(x) x = F.relu(self.fc1(x)) x = self.dropout(x) x = self.fc2(x) return x

设计逻辑与调优：

1. 卷积核大小：选择3x3，旨在捕捉频率和时间维度上的局部相关性。例如，某个姿态可能同时影响相邻的几个子载波和连续的几个时间点。
2. 通道数：第一层卷积将9条链路的信息进行融合，输出32个特征图，让网络自动学习链路间的组合模式。
3. 池化：最大池化在压缩数据的同时，保留了最显著的特征响应，也提供了一定的平移不变性。
4. 正则化是生命线：BatchNorm和Dropout（我们设了0.5的高丢弃率）对于防止CNN在有限数据上过拟合环境A的特定噪声模式至关重要。没有它们，模型在训练集上轻松达到100%，但在验证集上很快就会停滞甚至下降。
5. 优化器与学习率：使用Adam优化器，初始学习率设为1e-3，并配合ReduceLROnPlateau调度器，当验证损失停滞时自动降低学习率。

我们使用PyTorch框架，在单张GPU上训练了约100个epoch，使用交叉熵损失函数。

5. 实验结果深度剖析：高精度幻觉与泛化悬崖

所有模型在环境A上，用从Set A到Set F递增的数据进行训练，并在环境A的固定验证集上测试，得到如下性能增长曲线（此处为文字描述，实际分析应基于图表）：

5.1 环境A内的表现：数据量的魔力与模型差异

随着训练数据量从900（Set A）增加到5400（Set F），所有模型的准确率都呈现上升趋势，但速度和上限差异明显。

• LDA：收敛最快，在Set B（1800样本）时已达到其性能瓶颈约70%，后续数据增加收益极小。这说明线性模型的表达能力有限。
• NB-SVM与RBF-SVM：两者曲线相近，在数据量较少时（Set A-C），NB-SVM略胜一筹，说明其特征变换策略在数据稀缺时更有效。当数据充足后（Set F），RBF-SVM以微弱优势反超，最终准确率约82%。
• 随机森林：表现稳健，从始至终都处于中上游水平。在Set F时达到约83%的准确率。它的学习曲线平滑，说明其抗噪声和抗过拟合能力确实不错。
• CNN：典型的“深度学习”曲线。在数据量少时（Set A-B），表现甚至不如随机森林，因为它需要大量数据来学习有效的卷积核。但从Set C（2700样本）开始，性能开始迅猛提升，最终在Set F上达到了惊人的88.5%，成为环境A内的冠军。NB-SVM也表现优异，达到了87.1%。

对“躺下”识别最准：分析每个类别的F1分数发现，所有模型对“躺下”姿态的识别准确率都最高，普遍超过90%。这很容易理解：躺下时人体对信号传播路径的遮挡和改变最为显著和稳定，产生的CSI模式特征最明显。

对“站立”识别最困难：站立姿态的识别率最低。站立时，人体投影面积小，且可能伴随微小晃动，对信号的影响相对较弱且不稳定，模式更难捕捉。

5.2 环境B的终极测试：泛化能力的“照妖镜”

这是本次实验最核心、也最令人警醒的部分。我们将所有在环境A上用全部数据（Set F）训练到最优的模型，直接拿到环境B的300个全新样本上进行测试。

结果令人震惊：

• 所有模型的准确率均出现断崖式下跌。
• 表现最好的NB-SVM和CNN，准确率从87%左右暴跌至约32%。
• LDA、RBF-SVM和随机森林也未能幸免，准确率在25%-30%之间徘徊。
• 这意味着，模型在新环境中的表现，几乎和随机猜测（三分类约33%）差不多。

5.3 原因诊断：为什么泛化如此之难？

通过分析混淆矩阵和错误样本，我们总结了几个核心原因：

1. 多径传播环境的根本性改变：环境B更大的尺寸、不同的家具布局和墙体材料，彻底改变了无线电波的多径反射、衍射和散射模式。模型在环境A中学到的“特定多径指纹”与姿态的映射关系，在环境B中完全失效了。这好比你记住了一首在浴室里唱歌的回声特征，到了音乐厅就完全对不上了。
2. 特征分布的偏移：尽管我们进行了逐样本归一化，但不同环境下CSI幅度分布的统计特性（如均值、方差的范围）仍然发生了系统性偏移。传统机器学习模型（如SVM）学习的决策边界严重依赖于特征空间的绝对位置，这种偏移直接导致边界失效。
3. CNN学到了“环境噪声”：CNN虽然强大，但它是一个极度贪婪的特征提取器。在端到端的学习中，它很可能不仅学到了与姿态相关的特征，还无意中学到了环境A中特有的、与姿态无关的背景多径模式（可以看作是一种“环境噪声”）。当环境改变，这些噪声特征占主导时，模型就会失灵。
4. 姿态表达的上下文依赖性：同一个“坐姿”，在环境A的沙发上和环境B的椅子上，身体相对于收发天线的几何关系不同，对信号的遮挡模式也不同。模型没有学会“坐”这个抽象概念，而是学会了“在环境A的某个特定位置，以某种特定朝向坐”所产生的具体信号模式。

深度思考：这个实验残酷地揭示了一个事实——在单一环境下追求极高的识别准确率（比如用更复杂的网络、更多的数据刷到95%以上），对于实际部署可能意义有限，如果这种性能无法迁移，那就是一种“过拟合的胜利”。研究的重点必须从“精度竞赛”转向“泛化能力建设”。

6. 提升泛化能力的可行路径探讨

面对“泛化悬崖”，我们不能束手无策。基于这次实验的教训和领域内的研究，以下几个方向值得深入探索：

6.1 数据层面的策略：让模型“见多识广”

1. 跨环境数据收集与混合训练：最直接但成本最高的方法。在多个不同结构、大小、布局的房间中收集数据，并将其混合成一个大型训练集。这强迫模型在学习过程中看到更多样的多径模式，从而学会剥离出与姿态更相关、与环境无关的本质特征。
2. 数据增强模拟环境变化：在数据层面人工制造多样性。例如，对CSI幅度数据添加随机缩放、偏移噪声，模拟不同距离下的信号衰减；对多天线数据模拟虚拟的天线阵列旋转或位移，生成新的空间视角。更高级的方法是利用射线追踪仿真软件，生成大量不同虚拟环境下的CSI数据。
3. 领域自适应与迁移学习：假设我们有一个在大型多样化数据集上预训练好的“基础模型”，当我们部署到新环境B时，只需要用B环境的少量标注数据（比如每个姿态50个样本）对模型进行微调，而不是从头训练。这要求基础模型已经学习了足够通用的特征表示。

6.2 模型与特征层面的革新

1. 设计对空间变化不敏感的特征：手工特征工程可以朝这个方向努力。例如，不直接使用天线间的绝对幅度差，而是使用归一化的幅度比；提取信号的多径分量数量、时延扩展等更物理层的、相对稳定的特征。
2. 采用域不变特征学习：在模型架构中引入领域对抗训练。简单说，就是让模型的主干网络提取的特征，既能很好地分类姿态，又让一个额外的“领域判别器”无法区分这个特征来自环境A还是环境B。这样，主干网络就被迫学习两个环境共有的、与姿态相关的特征。
3. 利用注意力机制：让模型学会“聚焦”于那些受姿态影响大、受环境影响小的子载波或天线链路上。例如，可以设计一个子载波选择模块，动态地加权不同频率成分的重要性。

6.3 系统层面的校准与融合

1. 在线自适应校准：在新环境部署初期，系统可以要求用户做几个简单的校准动作（如站在指定点、坐下）。利用这些少量校准数据，实时调整模型的决策阈值或对输入特征进行一个线性变换，将新环境的特征分布“对齐”到训练环境。这相当于给模型一个快速的“环境记忆”。
2. 多设备协同感知：单一链路的CSI信息毕竟有限。如果条件允许，部署多个收发对，从不同角度感知同一目标。不同链路受到环境干扰的模式不同，通过融合多视角信息，可以部分抵消单一视角的环境特异性，得到更稳健的判断。
3. 与传统方法结合：在要求极高的场景下，可以考虑将CSI传感作为触发或辅助模块，与其他更稳定但可能有隐私顾虑的传感器（如低分辨率红外阵列）进行融合，在隐私和鲁棒性之间取得折衷。

7. 总结与个人实践心得

这次从高精度到“泛化崩塌”的实验之旅，给我最大的启示是：在无线传感这个严重依赖物理环境的应用中，脱离泛化能力谈准确率是毫无意义的。我们很容易在受控的实验室里打造出一个“盆景模型”，看起来枝繁叶茂，一旦移栽到真实的土壤中，就可能迅速枯萎。

对于想要踏入这个领域的朋友，我的建议是：

• 起点就要考虑泛化：在项目设计之初，就把跨环境测试作为必须环节。哪怕只有两个不同的房间，也比只有一个强。
• 谨慎对待“端到端”：深度学习端到端模型虽然强大，但也是“黑箱”，它过拟合环境的风险更高。传统模型+精心设计的域不变特征，有时能带来更可预测、更稳健的表现。
• 重视数据质量与多样性：在无线感知中，数据质量不仅指信噪比高，更指环境覆盖广。收集数据时，要有意识地变化设备位置、朝向、房间布局，哪怕这会让你的初期准确率数字不那么好看。
• 从物理层理解问题：多花时间理解CSI数据背后的无线电传播原理。当你看到一组CSI数据时，如果能大致想象出电波在房间中的传播路径，那么你在设计特征和解释模型失败时，就会有更清晰的直觉。

基于CSI的姿态识别无疑是一个充满潜力的方向，它巧妙地利用了无所不在的Wi-Fi信号，在隐私保护和应用成本上具有独特优势。然而，通往实际应用的道路上，“空间泛化”是必须翻越的一座大山。这项研究像一次压力测试，暴露了问题的严重性，也指明了改进的方向——通过更聪明的算法设计、更丰富的数据策略以及可能的硬件辅助，让无线感知的“眼睛”真正变得智慧而适应性强。这条路还很长，但每一步扎实的探索，都让我们离那个既智能又尊重隐私的未来更近一点。