Se puede saber mucho sobre las personas a través de sus conexiones Wi-Fi, incluyendo, por lo visto, cuántas de ellas están cerca de un punto de acceso. En un artículo de investigación recientemente publicado (“DeepCount: Crowd Counting with WiFi via Deep Learning”) en el servidor de preimpresión Arxiv.org, los científicos describen un modelo de reconocimiento de actividades de IA – DeepCount – que infiere el tamaño de la población de las salas a partir de datos inalámbricos.
Su trabajo llega poco después de que los investigadores de la Universidad de Ryerson en Toronto demostraron una red neuronal que puede determinar si los propietarios de teléfonos inteligentes están caminando, andando en bicicleta o conduciendo por unas cuantas manzanas de la ciudad mediante el uso de datos Wi-Fi, y después de que los investigadores de la Universidad de Purdue desarrollaron un sistema que utiliza registros de acceso Wi-Fi para averiguar las relaciones entre los usuarios, lugares y actividades.
En este último estudio, el equipo aprovechó la información del estado del canal (CSI), específicamente la fase y la amplitud, para crear un sistema de dos modelos que consiste en un modelo de reconocimiento de actividades y un modelo de aprendizaje profundo. El modelo de aprendizaje profundo tenía la tarea de correlacionar el número de personas y canales mediante el mapeo de las actividades de esas personas al CSI, mientras que el primero reconocía cuando alguien entraba o salía de la sala a través de un interruptor electrónico. Si los conteos de población de los dos modelos no estaban de acuerdo – si, por ejemplo, el modelo de reconocimiento de actividades registraba un número mayor que el modelo de aprendizaje profundo – DeepCount utilizó la discrepancia para volver a capacitar el modelo de aprendizaje profundo.
Los investigadores recopilaron un conjunto de datos de 800 muestras de CSI de 10 voluntarios involucrados en una variedad de tareas, incluyendo saludar con la mano, escribir a máquina, sentarse, caminar, hablar y comer. (Alrededor del 80 por ciento de las muestras de cada clase se usaron en la capacitación, y el resto se usó como equipo de prueba). Para entrenar el modelo de reconocimiento de actividad, primero preprocesaron los datos de amplitud para eliminar el ruido y las interferencias no deseadas y luego extrajeron la información de las características. El entrenamiento del modelo de aprendizaje profundo implicaba de forma similar el preprocesamiento, pero con datos de fase además de la amplitud.
DeepCount se ejecutó en una computadora portátil con tres antenas receptoras modificadas para reportar los datos del estado del canal, la cual estaba conectada a un enrutador con dos antenas transmisoras. Ambos operaban en una banda de frecuencia de 5GHz para “hacer la longitud de onda lo suficientemente corta para asegurar una mejor resolución”, dicen los investigadores, y para reducir la posibilidad de interferencia.
En experimentos, los autores informan que el modelo de aprendizaje profundo logró una precisión de 86.4 por ciento con hasta cinco personas, y que con el reentrenamiento en muestras suministradas por el modelo de reconocimiento de actividades, logró alcanzar una precisión de predicción de hasta 90 por ciento.
“Nuestro enfoque puede mostrar una precisión aceptable en el contexto de cambios complejos en el ambiente interior, lo que significa que funciona bastante bien”, escriben los investigadores. “En teoría, si podemos tomar en cuenta suficientes circunstancias en el ambiente interior y[usar] éstas como muestras para construir un modelo robusto, podemos reutilizar el modelo para el mismo ambiente”.
Dejar una contestacion
Lo siento, debes estar conectado para publicar un comentario.