Investigadores de la Universidad de Syracuse en Nueva York han desarrollado recientemente un sistema que puede detectar la presencia de humanos en un entorno determinado mediante el análisis de señales de radiofrecuencia (RF) ambientales. Este nuevo sistema, presentado en un artículo publicado previamente en arXiv, emplea una red neuronal convolucional (CNN) entrenada en una gran cantidad de datos de RF.

"Inicialmente, intentamos detectar drones en un entorno exterior utilizando señales de RF pasivas a través del aprendizaje profundo, "Biao Chen, uno de los investigadores que realizó el estudio, dijo a TechXplore. "El resultado fue desigual en el mejor de los casos:funcionó con las mediciones recopiladas en ciertos días, pero fallaría en otros días. "

Durante algún tiempo, Chen y sus colegas intentaron desarrollar un sistema que pudiera detectar la presencia de drones en entornos al aire libre. Sin embargo, pronto se dieron cuenta de que la detección constante de drones mediante el análisis de señales de RF pasivas era casi imposible, ya que no tenían control sobre los entornos en los que se estaba moviendo. Su sistema fue diseñado para extraer firmas de RF inducidas por los movimientos del dron a medida que altera los canales de propagación, sin embargo, también se vio afectado por los coches que pasaban, gente paseando a sus perros, y cualquier otra cosa que se mueva en el entorno circundante.

"En el experimento con drones, nunca pudimos lograr resultados consistentes, ", Explicó Chen." El sistema de aprendizaje que desarrollamos, sin embargo, se puede adaptar fácilmente a aplicaciones en interiores donde el entorno es mucho más fácil de controlar y calibrar. Esto finalmente nos llevó a desarrollar un sistema de detección de presencia basado en aprendizaje profundo que utiliza señales WiFi ambientales ".

La presencia de seres humanos en una habitación o en otros entornos interiores puede alterar la propagación de señales de RF de varias formas. Al preprocesar las mediciones del canal de RF, los investigadores pudieron crear 'imágenes' que resumen las señales, que a su vez podría analizarse para detectar la presencia de seres humanos en un entorno determinado.

Luego entrenaron a una CNN sobre una gran cantidad de datos que contienen información de magnitud y fase, dos propiedades clave de las señales de RF. Tiempo extraordinario, El algoritmo de aprendizaje profundo aprendió a distinguir cuándo un entorno está poblado por humanos y cuándo está libre de ellos mediante el análisis de lo que se conoce como información de estado del canal (CSI).

"Aprovechar la ubicuidad de las señales de RF ambientales como WiFi, Las señales de Bluetooth o celulares para información de conciencia de la situación brindan un valor agregado a la infraestructura de RF existente, ", Dijo Chen." Detección de ocupación, por ejemplo, es una aplicación en la que la detección de RF puede ser una alternativa o complemento de bajo costo y sin infraestructura a los enfoques existentes ".

Chen y sus colegas evaluaron su sistema basado en CNN en una serie de experimentos realizados dentro de su laboratorio, utilizando dispositivos WiFi disponibles en el mercado. Se descubrió que su sistema detecta de manera confiable la presencia humana en casi todos los casos, superando a varios sensores infrarrojos pasivos de última generación.

En el futuro, el sistema desarrollado por este equipo de investigadores podría tener varias aplicaciones útiles. Por ejemplo, podría usarse para detectar la presencia de humanos en un área restringida o privada. Obtener datos relacionados con la ocupación y la presencia humana en tiempo real también podría ayudar a mejorar la inteligencia del edificio y reducir el consumo de energía (por ejemplo, para climatización y control de iluminación).

"El aprendizaje profundo a menudo se promociona por estar basado en datos, ", Dijo Chen." La otra cara es que la demanda de datos de entrenamiento (tanto en cantidad como en calidad) puede ser abrumadora. Para que la tecnología se vuelva realmente práctica, el usuario final no debe cargar con la recopilación de datos y la capacitación. Por lo tanto, nuestro trabajo actual y futuro intentará lograr una detección de presencia confiable sin la necesidad de recopilar datos de movimiento ".

Este es un sitio web creado por los investigadores que monitorea la presencia humana en su laboratorio las 24 horas del día, los 7 días de la semana:demo.wifisensing.com/

© 2020 Science X Network