การประยุกต์ใช้เทคโนโลยีปัญญาประดิษฐ์และสัญญาณ Wi-Fi สำหรับการจัดการระบบรักษาความมั่นคงในที่พักอาศัย
คำสำคัญ:
ไวไฟเซ็นเซอร์, LSTM ออโตเอนโคเดอร์, ตรวจจับการบุกรุก, ข้อมูลสถานะช่องสัญญาณบทคัดย่อ
งานวิจัยฉบับนี้มีวัตถุประสงค์เพื่อ 1) นำเสนอวิธีการตรวจจับการบุกรุกในที่พักอาศัยโดยใช้ข้อมูลสถานะช่องสัญญาณจาก Wi-Fi ร่วมกับปัญญาประดิษฐ์และการปรับเกณฑ์ตัดสินใจแบบอัตโนมัติ 2) ศึกษาความทนทานของแบบจำลองเมื่อทำงานข้ามสภาพแวดล้อม 3) ศึกษาตำแหน่งติดตั้งที่เหมาะสมเพื่อลดการแจ้งเตือนผิดพลาดจากสัตว์เลี้ยง งานวิจัยเชิงทดลองนี้ใช้ ESP32 เก็บข้อมูล CSI และใช้แบบจำลอง LSTM Autoencoder ที่มีจุดเด่นในการวิเคราะห์ข้อมูลอนุกรมเวลาและเป็นการเรียนรู้แบบไม่มีผู้สอนเพื่อช่วยลดภาระในการติดฉลากข้อมูล และประเมินประสิทธิภาพด้วยค่า Precision, Recall, F1-score และ AUC
ผลการศึกษาพบว่า 1) วิธีการที่นำเสนอมีประสิทธิภาพสูงกว่าแบบจำลองพื้นฐานโดยมีค่า F1-score 0.970 และ AUC 0.995 ในสภาพแวดล้อมเดิม 2) วิธีการที่นำเสนอมีความยืดหยุ่นและทนทานสูงเมื่อทำงานข้ามสภาพแวดล้อมในห้องนั่งเล่นและห้องนอนค่า F1-score 0.933 และ 0.923 ตามลำดับ 3) การแจ้งเตือนผิดพลาดจากสัตว์เลี้ยงลดลงเหลือ 2.41% ที่ความสูง 1.2 เมตร ผลการศึกษาแสดงให้เห็นถึงประสิทธิภาพของวิธีการที่นำเสนอสามารถนำไปประยุกต์ใช้เป็นระบบรักษาความมั่นคงในที่พักอาศัยได้อย่างเป็นรูปธรรม
Downloads
เอกสารอ้างอิง
Ergen, T., & Kozat, S. S. (2020). Unsupervised Anomaly Detection With LSTM Neural Networks. IEEE Transactions on Neural Networks and Learning Systems, 31(8), 3127–3141.
Espressif Systems. (2025). ESP32-C6-WROOM-1 & ESP32-C6-WROOM-1U Datasheet. Retrieved from https://documentation.espressif.com/esp32-c6-wroom-1_wroom-1u_datasheet_en.pdf
Gorrepati, S. R., Sahoo, A. K., & Udgata, S. K. (2023). WiFi Sensing Model for Intrusion Detection in Smart Home Environment. 2023 IEEE 11th Region 10 Humanitarian Technology Conference (R10-HTC), pp. 329–334. IEEE Gujarat Section. https://doi.org/10.1109/R10-HTC57504.2023.10461789
Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735–1780.
Homayouni, H., Ghosh, S., Ray, I., Gondalia, S., Duggan, J., & Kahn, M. G. (2020). An Autocorrelation-based LSTM-Autoencoder for Anomaly Detection on Time-Series Data. 2020 IEEE International Conference on Big Data (Big Data), pp. 5068–5077. Institute of Electrical and Electronics Engineers. https://doi.org/10.1109/BigData50022.2020.9378192
Huang, J., Liu, B., Miao, C., Lu, Y., Zheng, Q., Wu, Y., Liu, J., Su, L., & Chen, C. W. (2023). Phase Anti: An Anti-Interference WiFi-Based Activity Recognition System Using Interference-Independent Phase Component. IEEE Transactions on Mobile Computing, 22(5), 2938–2954.
Jun, K., Lee, D.-W., Lee, K., Lee, S., & Kim, M. S. (2020). Feature Extraction Using an RNN Autoencoder for Skeleton-Based Abnormal Gait Recognition. IEEE Access, 8(1), 19196–19207.
Khanmohammadi, F., & Azmi, R. (2024). Time-Series Anomaly Detection in Automated Vehicles Using D-CNN-LSTM Autoencoder. IEEE Transactions on Intelligent Transportation Systems, 25(8), 9296–9307.
Lee, S., Jin, H., Nengroo, S. H., Doh, Y., Lee, C., Heo, T., & Har, D. (2022). Smart Metering System Capable of Anomaly Detection by Bi-directional LSTM Autoencoder. 2022 IEEE International Conference on Consumer Electronics (ICCE). pp. 1–6. IEEE Consumer Technology Society. https://doi.org/10.1109/ICCE53296.2022.9730398
Lin, Y., Gao, Y., Li, B., & Dong, W. (2020). Revisiting Indoor Intrusion Detection With WiFi Signals: Do Not Panic Over a Pet! IEEE Internet of Things Journal, 7(10), 10437–10449.
Mahmoud, M., Kasem, M., Abdallah, A., & Kang, H. S. (2022). AE-LSTM: Autoencoder with LSTM-Based Intrusion Detection in IoT. 2022 International Telecommunications Conference (ITC-Egypt), pp. 1–6. Air Defense College (ADC). https://doi.org/10.1109/ITC-Egypt55520.2022.9855688
Mekruksavanich, S., & Jitpattanakul, A. (2023). A Lightweight Deep Residual Network for Recognizing Activities in Daily Living Using Channel State Information. 2023 IEEE 14th International Conference on Software Engineering and Service Science (ICSESS), pp. 171–174. Institute of Electrical and Electronics Engineers https://doi.org/10.1109/ICSESS58500.2023.10293055
Moghaddam, M. G., Shirehjini, A. A. N., & Shirmohammadi, S. (2022). A WiFi-based System for Recognizing Fine-grained Multiple-Subject Human Activities. 2022 IEEE International Instrumentation and Measurement Technology Conference (I2MTC), pp. 1–6. IEEE Instrumentation and Measurement Society (IMS). https://doi.org/10.1109/I2MTC48687.2022.9806622
Preechakarnjanadit, D., & Taparugssanagorn, A. (2025). Real-Time, Non-Intrusive Fall Detection via Wi-Fi CSI: A Comparative Study of CNN-LSTM, GNN, and Transformer Models. AI, Computer Science and Robotics Technology. Intech Open Journals, 4(1), 1-43.
Ratnam, V. V., Chen, H., Chang, H.-H., Sehgal, A., & Zhang, J. (2024). Optimal Preprocessing of WiFi CSI for Sensing Applications. IEEE Transactions on Wireless Communications, 23(9), 10820–10833.
Wang, Xiangyu, Wang, X., Mao, S., Zhang, J., Periaswamy, S. C. G., & Patton, J. (2022). Adversarial Deep Learning for Indoor Localization With Channel State Information Tensors. IEEE Internet of Things Journal, 9(19), 18182–18194. h
Wang, Xingang, Wang, Y., & Wang, D. (2020). A Real-time CSI-based Passive Intrusion Detection Method. 2020 IEEE Intl Conf on Parallel & Distributed Processing with Applications, Big Data & Cloud Computing, Sustainable Computing & Communications, Social Computing & Networking. pp. 1091–1098. IEEE Computer Society. https://doi.org/10.1109/ISPA-BDCloud-SocialCom-SustainCom51426.2020.00163
Wei, Y., Jang-Jaccard, J., Xu, W., Sabrina, F., Camtepe, S., & Boulic, M. (2023). LSTM-Autoencoder-Based Anomaly Detection for Indoor Air Quality Time-Series Data. IEEE Sensors Journal, 23(4), 3787–3800.
Yong, B. X., & Brintrup, A. (2022). Do Autoencoders Need a Bottleneck for Anomaly Detection? IEEE Access, 10(1), 78455–78471.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2026 วารสารวิชาการมหาวิทยาลัยการจัดการและเทคโนโลยีอีสเทิร์น
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ประกาศลิขสิทธิ์
เนื้อหาและข้อมูลในบทความที่ลงตีพิมพ์ในวารสารวิชาการมหาวิทยาลัยการจัดการและเทคโนโลยีอีสเทิร์น ถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรง ซึ่งกองบรรณาธิการวารสารไม่จำเป็นต้องเห็นด้วยหรือร่วมรับผิดชอบใด ๆ
บทความ ข้อมูล เนื้อหาหรือรูปภาพ ฯลฯ ที่ได้รับการตีพิมพ์ในวารสารวิชาการมหาวิทยาลัยการจัดการและเทคโนโลยีอีสเทิร์น ถือเป็นลิขสิทธิ์ของวารสารวิชาการมหาวิทยาลัยการจัดการและเทคโนโลยีอีสเทิร์น หากบุคคลหรือหน่วยงานใดต้องการนำข้อมูลทั้งหมดหรือบางส่วนไปเผยแพร่ต่อหรือเพื่อกระทำการใด ๆ จะต้องได้รับอนุญาตเป็นลายลักษณ์อักษรจากวารสารวิชาการมหาวิทยาลัยการจัดการและเทคโนโลยีอีสเทิร์นก่อนเท่านั้น
