Bien que diverses méthodes d'apprentissage profond aient été développées pour la détection Wi-Fi, la perte de paquets entraîne souvent une estimation non continue de l'Information sur l'État du Canal (Channel State Information, CSI), ce qui affecte négativement les performances des modèles d'apprentissage. Pour surmonter ce défi, nous proposons un modèle d'apprentissage profond basé sur les Représentations Bidirectionnelles des Encodeurs issus des Transformers (Bidirectional Encoder Representations from Transformers, BERT) pour la récupération de la CSI, nommé CSI-BERT. CSI-BERT peut être formé de manière auto-supervisée sur le jeu de données cible sans nécessiter de données supplémentaires. De plus, contrairement aux méthodes d'interpolation traditionnelles qui se concentrent sur un sous-porteur à la fois, CSI-BERT capture les relations séquentielles entre différents sous-porteurs. Les résultats expérimentaux montrent que CSI-BERT atteint des taux d'erreur plus faibles et une vitesse plus rapide par rapport aux méthodes d'interpolation traditionnelles, même en présence de taux de perte élevés. En outre, en utilisant la CSI récupérée grâce à CSI-BERT, d'autres modèles d'apprentissage profond tels que les Réseaux Résiduels et les Réseaux Neuronaux Récurrents peuvent obtenir une augmentation moyenne de précision d'environ 15 % dans les tâches de détection Wi-Fi. Le jeu de données WiGesture collecté et le code de notre modèle sont disponibles au public sur https://github.com/RS2002/CSI-BERT.