Señales de radio más red neuronal, igual a visión a través de paredes
La Inteligencia Artificial ha sido aplicada para enseñar a los dispositivos inalámbricos a sentir las posturas y el movimiento de las personas, incluso a través de las paredes.
Investigadores del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT, han desarrollado una red neuronal para analizar las señales de radio que rebotan en los cuerpos de las personas, y luego pueden crear una figura dinámica que camina, se detiene, se sienta y mueve sus extremidades a medida que la persona realiza esas acciones.
El equipo dice que el sistema, denominado RF-Pose, podría usarse para monitorear enfermedades como el Parkinson y la esclerosis múltiple (EM), proporcionando una mejor comprensión de la progresión de la enfermedad y permitiendo a los médicos ajustar los medicamentos en consecuencia. También podría ayudar a las personas mayores a vivir de manera más independiente, al tiempo que proporciona la seguridad adicional de monitorear las caídas, las lesiones y los cambios en los patrones de actividad.
El equipo actualmente trabaja con médicos para explorar múltiples aplicaciones en el cuidado de la salud.
“Hemos visto que monitorear la velocidad de caminar de los pacientes y la capacidad de realizar actividades básicas por sí mismos les da a los proveedores de atención médica una ventana en sus vidas que no tenían antes, lo que podría ser significativo para toda una gama de enfermedades”, dice Dina Katabi, creadora del dispositivo que ve a través de las paredes, y que ha sido premiada por el mismo.
Además del cuidado de la salud, el equipo dice que RF-Pose también podría usarse para nuevas gamas de videojuegos donde los jugadores se mueven por la casa, o incluso en misiones de búsqueda y rescate para ayudar a localizar a los sobrevivientes.
“Al igual que los teléfonos celulares y los enrutadores Wi-Fi se han convertido en partes esenciales de los hogares actuales, creo que las tecnologías inalámbricas como estas ayudarán a impulsar las casas del futuro”, dice Katabi.
Un desafío que los investigadores tuvieron que abordar es que la mayoría de las redes neuronales se entrenan usando datos etiquetados a mano. Una red neuronal entrenada para identificar gatos, por ejemplo, requiere que las personas observen un gran conjunto de datos de imágenes y etiqueten cada una como “gato” o “no gato”. Las señales de radio, sin embargo, no pueden ser etiquetadas fácilmente por humanos.
Para abordar esto, los investigadores recogieron ejemplos usando tanto su dispositivo inalámbrico como una cámara. Reunieron miles de imágenes de personas que realizan actividades como caminar, hablar, sentarse, abrir puertas y esperar ascensores.
Luego usaron estas imágenes de la cámara para extraer las figuras de barras, que mostraron a la red neuronal junto con la señal de radio correspondiente. Esta combinación de ejemplos permitió que el sistema aprendiera la asociación entre la señal de radio y las figuras de las personas en la escena.
Después del entrenamiento, RF-Pose pudo estimar la postura y los movimientos de una persona sin cámaras, utilizando solo los reflejos inalámbricos que rebotan en los cuerpos de las personas.
Como las cámaras no pueden ver a través de las paredes, la red nunca fue entrenada explícitamente en datos del otro lado de la pared, lo que hizo que fuera particularmente sorprendente para el equipo del MIT que la red pudiera generalizar sus conocimientos para poder manejarlos en movimientos al otro lado de paredes.
Como las cámaras no pueden ver a través de las paredes, la red nunca fue entrenada explícitamente en datos del otro lado de la pared, lo que hizo que fuera particularmente sorprendente para el equipo del MIT que la red pudiera generalizar sus conocimientos para poder manejarlos en movimientos al otro lado de paredes.
Además de detectar movimiento, los autores también demostraron que podían usar señales inalámbricas para identificar con precisión a alguien el 83 por ciento del tiempo de una fila de 100 personas. Esta capacidad podría ser particularmente útil para la aplicación de operaciones de búsqueda y rescate, cuando puede ser útil conocer la identidad de personas específicas.
Para este estudio, el modelo genera una figura en 2-D, pero el equipo también está trabajando para crear representaciones tridimensionales que podrían reflejar micromovimientos aún más pequeños. Por ejemplo, podría ser capaz de ver si las manos de una persona mayor tiemblan con la regularidad suficiente como para que deba hacerse un chequeo.
“Al utilizar esta combinación de datos visuales e inteligencia artificial para ver a través de las paredes, podemos permitir una mejor comprensión de la escena y entornos más inteligentes para vivir vidas más seguras y productivas”, dice Zhao.
Fuente: Europa Press
No hay comentarios:
Publicar un comentario