Trotz der Entwicklung verschiedener tiefer Lernmethoden für die Wi-Fi-Sensierung führt das Paketverlust oft zu nicht kontinuierlichen Schätzungen der Kanalzustandsinformation (Channel State Information, CSI), was die Leistungsfähigkeit der Lernmodelle negativ beeinträchtigt. Um dieser Herausforderung zu begegnen, schlagen wir ein tiefes Lernmodell vor, das auf bidirektionalen Encoder-Repräsentationen von Transformatoren (Bidirectional Encoder Representations from Transformers, BERT) basiert und zur Wiederherstellung der CSI dient. Dieses Modell wird als CSI-BERT bezeichnet. CSI-BERT kann in einem selbstüberwachten Modus auf dem Ziel-Datensatz trainiert werden, ohne zusätzliche Daten zu benötigen. Darüber hinaus unternimmt CSI-BERT im Gegensatz zu traditionellen Interpolationsmethoden, die sich jeweils auf einen einzelnen Teilträger konzentrieren, den sequentiellen Zusammenhang zwischen verschiedenen Teilträgern zu erfassen. Experimentelle Ergebnisse zeigen, dass CSI-BERT bei hohen Verlustraten niedrigere Fehlerquoten und eine schnellere Geschwindigkeit erreicht als traditionelle Interpolationsmethoden. Zudem können andere tiefe Lernmodelle wie Residuelle Netze und rekurrente Neuronale Netze durch die Nutzung der von CSI-BERT gewonnenen Wiederherstellungs-CSI im Durchschnitt eine Genauigkeitssteigerung von etwa 15 % in Wi-Fi-Sensierungsaufgaben erzielen. Der gesammelte Datensatz WiGesture und der Code unseres Modells sind öffentlich verfügbar unter https://github.com/RS2002/CSI-BERT.