當心隔牆有Wi-Fi？Wi-Fi或能窺探你的一舉一動

在以前若是想要上網，就必須連接網路線接到裝置上，才能與遠端的伺服器交換資料。但這種方式在複雜且有限的空間內難以達成。於是乎有了基於電磁波傳輸的無線網路，即Wi-Fi設備。隨著通訊技術的不斷演進，許多公共場所都建置有免費的Wi-Fi存取點，讓我們可以隨時隨地進入網際網路，快速地瀏覽網頁、觀看影音串流與雲端資料存取。Wi-Fi的普及也造就了物聯網技術的興起，讓我們可以方便地使用智慧家電、照明與環境控制等設備。然而，近期研究顯示，Wi-Fi還可以隔著牆隱匿地窺探人員的行為舉止，甚至能還原出大致的肢體輪廓，這無疑將帶來重大的隱私風險。

撰文｜穿山甲

在影像紀錄上，從手機相機、監視器到顯微影像，最常見的拍攝技術大多建立在光學成像之上。這是因為可見光正好落在人類視覺的感知範圍內，成像直觀、解析度高，相關技術也早已成熟。然而，可見光一遇到障礙物就會無法穿透，無法捕捉到後方的影像。雖然X光、超音波或雷達等技術，可以穿透障礙物進行觀測，但這些設備通常成本高且功率過強。

拜通訊技術快速發展所賜，許多地方都會設置Wi-Fi，大眾可以隨時隨地連線上網。在這樣的背景下，研究人員突然發覺也許可以利用這無所不在的Wi-Fi，來接收穿過牆壁的訊號，確認隔牆的環境狀態。這是因為Wi-Fi訊號是一種電磁波，它可以穿透牆面與環境中的物體相互作用，造成接收訊號改變。只要能測得這些細微變化，也許就可以還原出另一側的影像。

訊號強度

量測Wi-Fi訊號強度是最早被使用的探測方式，可以透過界面上的接收訊號強度指示器(Received Signal Strength Indication, RSSI)讀取。若有人在發射器與接收器中間移動，就會改變訊號強度。此外，Wi-Fi訊號並不是單純走直線路徑傳送與接收，訊號可能會入射至牆面或家具，經過反射、透射或繞射，行經多種路徑抵達接收器。即便人員不在發射器與接收器間的直線路徑上，也會造成強度改變。然而，指示器偵測到的訊號相當不穩定，不同廠牌間差異甚大，且強度帶來的資訊不多，無法得知確切的方向資訊。

通道狀態資訊

另一種探測方式就是觀測裝置的通道狀態資訊(Channel State Information, CSI)，現代Wi-Fi通訊並非使用單一頻率，而是將頻寬劃分成眾多子載波使用，每個子載波對環境會有獨特響應，導致傳播路徑長度、相位偏移、時間延遲和能量損耗各異。通道狀態資訊就是在量測每個子載波的通道回應，通常以複數形式表示，包含振幅與相位資訊。當環境中沒有移動物體時，頻譜資訊相對穩定，一旦有人移動、揮手或擺動四肢，部分反射路徑的訊號改變，對應子載波的相位與振幅便會出現可辨識的細微擾動。不過由於發射與接收裝置上的時間，依據廠牌與個別晶片不同，時間會存在細微差異，導致載波頻率與採樣速度發生偏移。原始的CSI數據存在著大量雜訊，所幸可以透過一些演算法進行校正，並將雜訊與異常值剃除。若偵測的對象只有人體，則可以直接將靜態的物體作為背景訊號扣除。

多天線系統

還有一個重要的部分就是多天線系統，若僅為單一天線，同時間發射出去的波，有些會入射至牆壁再反射、有些會經過家具、有些可能會在電器間反射，所有路徑的波會疊加在同一個接收點，如此接收器只能看到綜合的結果。多天線則在空間上提供多個觀測視角，由於不同路徑到達各天線的距離略有差異，訊號在相位與到達時間上也會出現可量測的差別，這使得系統能估計訊號的到達角度，進而區分來自不同方向的波。這種方式可以提升空間解析度，天線數越多、陣列越大，可分辨的方向越細。有些研究為了得到更精細的影像，會使用天線陣列進行波束成形，以提高空間解析度。在推算物體或空間深度上，則可以利用調頻連續波，藉由發射與接收訊號的頻率差估算距離，以獲得物體的深度資訊。

影像重構與動作感知

量測到這一連串的複雜訊號後，接下來就可以進行反向推測，描繪另一側的空間狀態，推論空間中有哪些物體，才能量出這些訊號。通常可以將空間拆解成許多網格，計算每個網格對訊號的影響；也可透過層析成像技術，將影像以切片方式重現；又或者透過深度學習與神經網路，重現物體在空間中的分布。就目前的技術而言，已經可以描繪出人體的大致輪廓，將影像以熱圖方式呈現，雖然還無法精確地呈現出臉孔或衣服等細節，但卻也足以辨識位置、動作與行為。即便人體身上沒有攜帶任何的Wi-Fi接收裝置，只要處在具有Wi-Fi訊號的空間中，就可以被監視並記錄行為姿態。若進行數據比對，也許僅從動作習慣或體型特徵，就可以精確辨識出人員身分。相關領域的研究人員也提出警訊，該種技術只需使用隨處可見且成本低廉的Wi-Fi裝置，很容易被不法份子拿來使用，進行惡意的長期監視行為。對一般民眾而言這種監控極難被察覺，並不受物理空間與室內明暗限制，存在重大的隱私風險。

然而這種技術也不全然是壞處，換個方式可以將這些技術應用於老年人與幼兒的居家安全照護，感知關注對象是否有跌倒、突然倒下或長時間靜止等異常行為。也可以應用於住宅的入侵偵測，尤其是一些傳統監視器無法觸及的暗巷或隱匿角落，更可以凸顯出技術的實用性。

當無線網路開始具備感測與成像能力時，隱私與倫理問題也隨之浮現。Wi-Fi本就是物聯網時代的基礎設施，若被濫用，則可能在無形中被蒐集行為資訊。因此，如何防範隱私與訂立使用細則，將會是未來不可迴避的課題。

參考文獻

1. Zhuravchak, O. Kapshii, and E. Pournaras, “Human Activity Recognition based on Wi-Fi CSI Data -A Deep Neural Network Approach,” Procedia Computer Science, vol. 198, pp. 59–66, 2022.
2. Adib, C. Y. Hsu, H. Mao, D. Katabi, and F. Durand, “Capturing the Human Figure through a Wall,” ACM Transactions on Graphics, vol. 34, p. 219, 2015.
3. Geng, D. Huang, and F. D. l. Torre, “DensePose from WiFi,” arXiv:2301.00250.
4. Ye, S. Wu, Y. Cai, L. Zhou, L. Xiao, X. Zhang, Z. Zheng, and J. Lin, “Transfer-learning-based Human Activity Recognition Using Antenna Array,” Remote Sensing, vol. 16, p. 845, 2024.
5. Niu, X. He, B. Fang, G. Han, X. Wang, and J. He, “CSI-F: A Human Motion Recognition Method Based on Channel-state-information Signal Feature Fusion,” Sensors, vol. 24, p. 862, 2024.
6. Gong, C. Xiang, X. Fan, T. Wu, C. Chen, M. Yu, and W. Yang, “Device-free Near-field Human Sensing Using WiFi Signals,” Personal and Ubiquitous Computing, vol. 26, pp. 461–474, 2020.
7. Korany, H. Cai, and Y. Mostofi, “Multiple People Identification Through Walls Using Off-the-shelf WiFi,” IEEE Internet of Things Journal, vol. 8, pp. 6963–6974, 2021.