Vivimos en un mundo de señales inalámbricas que fluyen a nuestro alrededor y rebotan en nuestros cuerpos. Los investigadores del MIT ahora están aprovechando esos reflejos de señales para proporcionar a los científicos y cuidadores información valiosa sobre el comportamiento y la salud de las personas.

El sistema, llamado Marko, transmite una señal de radiofrecuencia (RF) de baja potencia a un entorno. La señal volverá al sistema con ciertos cambios si ha rebotado en un humano en movimiento. Luego, algoritmos novedosos analizan esos reflejos modificados y los asocian con individuos específicos.

Luego, el sistema rastrea el movimiento de cada individuo alrededor de un plano de planta digital. Hacer coincidir estos patrones de movimiento con otros datos puede proporcionar información sobre cómo las personas interactúan entre sí y con el medio ambiente.

En un documento que se presenta en la Conferencia sobre factores humanos en sistemas informáticos esta semana, los investigadores describen el sistema y su uso en el mundo real en seis lugares:dos instalaciones de vida asistida, tres apartamentos habitados por parejas, y una casa adosada con cuatro residentes. Los estudios de caso demostraron la capacidad del sistema para distinguir individuos basándose únicamente en señales inalámbricas y revelaron algunos patrones de comportamiento útiles.

En una instalación de vida asistida, con permiso de la familia y los cuidadores del paciente, los investigadores monitorearon a un paciente con demencia que a menudo se agitaba por razones desconocidas. Más de un mes, midieron el aumento del ritmo del paciente entre las áreas de su unidad, un signo conocido de agitación. Al hacer coincidir el aumento del ritmo con el registro de visitantes, determinaron que el paciente estaba más agitado durante los días posteriores a las visitas familiares. Esto demuestra que Marko puede proporcionar un nuevo forma pasiva de realizar un seguimiento de los perfiles de salud funcional de los pacientes en el hogar, dicen los investigadores.

"Estos son bits interesantes que descubrimos a través de datos, "dice el primer autor Chen-Yu Hsu, un doctorado estudiante del Laboratorio de Informática e Inteligencia Artificial (CSAIL). "Vivimos en un mar de señales inalámbricas, y la forma en que nos movemos y caminamos cambia estos reflejos. Desarrollamos el sistema que escucha esas reflexiones ... para comprender mejor el comportamiento y la salud de las personas ".

La investigación está dirigida por Dina Katabi, el profesor Andrew y Erna Viterbi de Ingeniería Eléctrica y Ciencias de la Computación y director del MIT Center for Wireless Networks and Mobile Computing (Wireless @ MIT). Junto a Katabi y Hsu en el artículo están los estudiantes graduados de CSAIL Mingmin Zhao y Guang-He Lee y el ex alumno Rumen Hristov SM '16.

Predecir "tracklets" e identidades

Cuando se despliega en un hogar, Marko dispara una señal de RF. Cuando la señal rebota, crea un tipo de mapa de calor cortado en marcos verticales y horizontales, "que indica dónde se encuentran las personas en un espacio tridimensional. Las personas aparecen como manchas brillantes en el mapa. Los marcos verticales capturan la altura y la constitución de la persona, mientras que los marcos horizontales determinan su ubicación general. A medida que los individuos caminan, el sistema analiza los fotogramas de RF, aproximadamente 30 por segundo, para generar trayectorias cortas, llamados tracklets.

Una red neuronal convolucional, un modelo de aprendizaje automático que se usa comúnmente para el procesamiento de imágenes, usa esos tracklets para separar los reflejos de ciertos individuos. Para cada individuo que siente, el sistema crea dos "máscaras de filtrado, "que son pequeños círculos alrededor del individuo. Estas máscaras básicamente filtran todas las señales fuera del círculo, que bloquea la trayectoria y la altura del individuo a medida que se mueve. Combinando toda esta información:altura, construir, y movimiento:la red asocia reflejos de RF específicos con individuos específicos.

Pero para etiquetar identidades en esos blobs anónimos, primero se debe "entrenar" el sistema. Durante unos pocos días, las personas usan sensores de acelerómetro de baja potencia, que se puede utilizar para etiquetar las señales de radio reflejadas con sus respectivas identidades. Cuando se implementa en entrenamiento, Marko primero genera los tracklets de los usuarios, como lo hace en la práctica. Luego, un algoritmo correlaciona determinadas funciones de aceleración con funciones de movimiento. Cuando los usuarios caminan, por ejemplo, la aceleración oscila con pasos, pero se convierte en una línea plana cuando se detienen. El algoritmo encuentra la mejor coincidencia entre los datos de aceleración y el tracklet, y etiquetas que tracklet con la identidad del usuario. Al hacerlo, Marko aprende qué señales reflejadas se correlacionan con identidades específicas.

Los sensores nunca tienen que cargarse, y, después de entrenar, las personas no necesitan volver a usarlos. En despliegues domésticos, Marko pudo etiquetar las identidades de las personas en los nuevos hogares con una precisión de entre el 85 y el 95 por ciento.

Lograr un buen equilibrio (recopilación de datos)

Los investigadores esperan que los centros de salud utilicen a Marko para monitorear pasivamente, decir, cómo los pacientes interactúan con la familia y los cuidadores, y si los pacientes reciben los medicamentos a tiempo. En un centro de vida asistida, por ejemplo, los investigadores notaron momentos específicos en que una enfermera caminaba hacia un botiquín en la habitación de un paciente y luego hacia la cama del paciente. Eso indicó que la enfermera tenía, en esos momentos específicos, administró la medicación del paciente.

El sistema también puede reemplazar los cuestionarios y diarios utilizados actualmente por psicólogos o científicos del comportamiento para capturar datos sobre la dinámica familiar de los sujetos de estudio. horarios diarios, o patrones de sueño, entre otros comportamientos. Esos métodos de grabación tradicionales pueden ser inexactos, contener sesgo, y no son adecuados para estudios a largo plazo, donde las personas pueden tener que recordar lo que hicieron hace días o semanas. Algunos investigadores han comenzado a equipar a las personas con sensores portátiles para monitorear el movimiento y la biometría. Pero los pacientes ancianos, especialmente, a menudo se olvidan de usarlos o cargarlos. "La motivación aquí es diseñar mejores herramientas para los investigadores, "Dice Hsu.

¿Por qué no instalar cámaras? Para principiantes, esto requeriría que alguien observe y registre manualmente toda la información necesaria. Marko, por otra parte, etiqueta automáticamente los patrones de comportamiento, como el movimiento, dormir, e interacción, en áreas específicas, dias, y tiempos.

También, el video es más invasivo, Hsu agrega:"La mayoría de las personas no se sienten tan cómodas con ser filmadas todo el tiempo, especialmente en su propia casa. El uso de señales de radio para hacer todo este trabajo logra un buen equilibrio entre obtener cierto nivel de información útil, pero sin hacer que la gente se sienta incómoda ".

Katabi y sus estudiantes también planean combinar a Marko con su trabajo anterior sobre la inferencia de la respiración y la frecuencia cardíaca de las señales de radio circundantes. Luego, Marko se utilizará para asociar esos datos biométricos con los individuos correspondientes. También podría realizar un seguimiento de la velocidad al caminar de las personas, que es un buen indicador de salud funcional en pacientes ancianos.

"El potencial aquí es inmenso, "dice Cecilia Mascolo, profesor de sistemas móviles en el Departamento de Ciencia y Tecnología de la Computación de la Universidad de Cambridge. "Con respecto a las imágenes a través de cámaras, Ofrece un modelo de recopilación de información menos rico en datos y más específico, lo cual es muy bienvenido desde la perspectiva de la privacidad del usuario. Los datos recopilados sin embargo, sigue siendo muy rico, y la evaluación del papel muestra una precisión que puede permitir una serie de aplicaciones muy útiles, por ejemplo en el cuidado de personas mayores, seguimiento de la adherencia médica, o incluso atención hospitalaria ".

"Todavía, como comunidad, debemos ser conscientes de los riesgos de privacidad que conlleva este tipo de tecnología, ", Añade Mascolo. Ciertas técnicas de cálculo, ella dice, debe tenerse en cuenta para garantizar que los datos sigan siendo privados.

Esta historia se vuelve a publicar por cortesía de MIT News (web.mit.edu/newsoffice/), un sitio popular que cubre noticias sobre la investigación del MIT, innovación y docencia.