Aprendizaje Profundo y WiFi: Innovando en la Seguridad de Laboratorios de Ingenier ́ıa Electronica mediante la Detecci ́ on de ́ Actividades Sospechosas

Abstract

La presente investigacion aborda la necesidad de sistemas de seguridad de bajo costo ́ que preserven la privacidad, superando las limitaciones de metodos tradicionales. El ́ objetivo fue desarrollar y validar un prototipo para la deteccion de actividades humanas ́ sospechosas utilizando la Informacion de Estado del Canal (CSI) de se ́ nales WiFi y ̃ aprendizaje profundo. La metodolog ́ıa se ejecuto en tres fases: primero, se recolect ́ o ́ un nuevo dataset de senales CSI para siete actividades en un entorno de laboratorio real; ̃ segundo, se disen ̃o y entren ́ o una Red Neuronal Convolucional (CNN) para su clasificaci ́ on; ́ y tercero, se desplego y evalu ́ o el modelo en plataformas embebidas como Raspberry Pi ́ y NVIDIA Jetson. Como resultado principal, el sistema alcanzo una notable exactitud ́ del 97.17%. Ademas, se valid ́ o su viabilidad t ́ ecnica para operaci ́ on en tiempo real, ́ logrando 28.9 FPS en la plataforma Jetson Nano con una perdida de precisi ́ on insignificante ́ tras la optimizacion. Se concluye que el sensado por WiFi con aprendizaje profundo ́ constituye una solucion viable, eficiente y asequible para el monitoreo de seguridad en ́ interiores, aportando un sistema completo y validado desde la recoleccion de datos hasta ́ su implementacion pr ́ actica. ́

This research addresses the need for low-cost, privacy-preserving security systems, over- coming the limitations of traditional methods. The objective was to develop and validate a

prototype for suspicious human activity detection using Channel State Information (CSI) from WiFi signals and deep learning. The methodology involved three phases: first, a new dataset of CSI signals for seven activities was collected in a real laboratory environment; second, a Convolutional Neural Network (CNN) was designed and trained to classify these activities; and third, the model was deployed and benchmarked on embedded platforms like Raspberry Pi and NVIDIA Jetson. As a main result, the system achieved a remarkable accuracy of 97.17% in classification. Furthermore, its technical feasibility for real-time operation was validated, achieving 28.9 FPS on the Jetson Nano platform with negligible precision loss after model optimization. It is concluded that WiFi sensing combined with deep learning constitutes a viable, efficient, and affordable solution for indoor security monitoring, contributing a complete, validated system from data collection to practical implementation.