ElementalDLC37/flashview-csi-fall-detection

FlashView — Detecção de queda via Wi-Fi CSI (v1, em validação)

Modelo de detecção de queda a partir de Channel State Information (CSI) de Wi-Fi, coletado com ESP32-S3. Treinado em TensorFlow/Keras e convertido para TensorFlow.js para inferência local no navegador, sem servidor.

⚠️ v1, em validação. Este card declara o resultado real do split entre sessões, incluindo o que não funcionou. A v2 está em andamento (ver "Limitações" e "Próximos passos").

Arquitetura

CNN 1D + LSTM sobre janelas de 30 quadros, normalização por quadro, 64 features LLTF, saída binária (queda / não-queda). Treino com class_weight para classe rara, early stopping, 13 épocas.

Dados

• 39.690 quadros de CSI, 1.321 janelas (346 positivas)
• 5 sessões, 128 eventos de queda rotulados
• 1 sujeito (auto-experimento), 2 ambientes
• Cadência estável: 33,3 fps em todas as sessões
• Rotulagem ancorada em janela [toque − 2 s, toque + 0,5 s]

Resultado — e o resultado honesto importa mais

Split por sessão (a sessão de teste nunca aparece no treino). Limiar escolhido no treino, para não inflar métrica dependente de limiar.

Regime	AUC-ROC	Acurácia balanceada	F1
Treino (mesmas sessões)	0,886	0,828	0,729
Teste (sessão não vista)	0,520	0,495	0,143

Detalhe do teste: TP 12 · FP 44 · TN 332 · FN 100 · sensibilidade 0,107 · especificidade 0,883 · 468 falsos positivos por hora.

Por que este resultado é publicado assim

O modelo decorou a sessão, não o movimento. Em split intra-sessão (corte temporal com embargo) o AUC chega a 0,827; entre sessões cai para 0,506–0,787. Isso tem nome na literatura: sobreajuste ao componente estático do ambiente (background DC), que muda de sala para sala e de posição para posição (Strohmayer & Kampel, 2024; Wang et al., 2025 — survey de generalização em wireless sensing).

Publicar o número ruim é o ponto: um modelo com F1 0,14 em split por sessão é mais informativo que um F1 0,98 em split aleatório, que vaza quadro da mesma sessão para o teste.

Limitações (declaradas)

1. 1 sujeito — sem validação entre pessoas.
2. 2 ambientes — generalização espacial não demonstrada.
3. Sessão de teste curta (442 s) — intervalo de confiança largo.
4. Sem LLM — este é um modelo supervisionado clássico (CNN-LSTM), não um modelo de linguagem.
5. Rótulo por visão computacional — a rotulagem automática pode conter erro sistemático.

Próximos passos (v2)

• Aumentação no eixo do tempo: randomCircularRotation (jitter do rótulo) e randomResizedCrop (variação de velocidade) — as duas com maior ganho medido na literatura (+6 a +16 p.p.).
• Remoção do componente DC por gate de variância temporal (Wang et al., 2026).
• Mais sujeitos e um terceiro ambiente.
• Avaliação com intervalo de confiança (bootstrap sobre janelas).

Uso

import tensorflow as tf
model = tf.keras.models.load_model("csi_fall_detection.keras")
# entrada: (batch, 30, 64) — janela de 30 quadros, 64 features LLTF, normalizada por quadro
pred = model.predict(x)  # [p_nao_queda, p_queda]

Versão para navegador: model.json + pesos (TensorFlow.js), usada no dashboard do FlashView.

Contexto do projeto

FlashView é um sistema completo: firmware ESP32-S3 (PlatformIO) → API de ingestão (Bun/Elysia + PostgreSQL) → dashboard com rotulagem e inferência TF.js. Projeto integrador do Bacharelado em Sistemas de Informação (UNIPAR), com artigo em preparação.

Citação

@misc{gomes2026flashviewcsi,
  title  = {FlashView: detecção de queda via Wi-Fi CSI com ESP32-S3},
  author = {Gomes, Rui Lucas Anthony},
  year   = {2026},
  note   = {Modelo v1 em validação. Split por sessão.},
  url    = {https://huggingface.co/ElementalDLC37/flashview-csi-fall-detection}
}

Referências

• Strohmayer & Kampel (2024) — aumentação em CSI, transferência entre cenários
• Wang et al. (2025) — survey de generalização em wireless sensing
• Gao, Liu & Li (2023) — aumentação para séries temporais
• Wang et al. (2026) — Dynamic Variance Gate para detecção de queda cross-domain