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 brindar 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, nuevos algoritmos analizan esos reflejos modificadosy asociarlos con individuos específicos.
El sistema luego 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 entorno.
En un artículo presentado 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 ubicaciones: dos instalaciones de vida asistida, tres apartamentos habitados por parejas y una casa adosada con cuatroresidentes. 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 un centro de vida asistida, con el 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. Durante un mes, midieron el aumento del ritmo del paciente entre 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 muestra que Marko puede proporcionar una nueva forma pasiva de rastrear los perfiles de salud funcional de los pacientes en el hogar,dicen los investigadores.
"Estos son bits interesantes que descubrimos a través de los datos", dice el primer autor Chen-Yu Hsu, estudiante de doctorado en el Laboratorio de Ciencias de la Computación e Inteligencia Artificial CSAIL. "Vivimos en un mar de señales inalámbricas, y la forma en quemoverse y caminar cambia estos reflejos. Desarrollamos el sistema que escucha esos reflejos ... para comprender mejor el comportamiento y la salud de las personas ".
La investigación está dirigida por Dina Katabi, la profesora Andrew y Erna Viterbi de Ingeniería Eléctrica y Ciencias de la Computación y directora del Centro MIT para Redes Inalámbricas y Computación Móvil Wireless @ MIT. Junto a Katabi y Hsu en el artículo están los graduados de CSAILestudiantes Mingmin Zhao y Guang-He Lee y ex alumno Rumen Hristov SM '16.
Predicción de "tracklets" e identidades
Cuando se despliega en una casa, 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. Aparecen personascomo 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 las personas caminan, el sistema analiza los marcos de RF, aproximadamente 30 por segundo, para generar trayectorias cortas, llamadas 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 detecta, el sistema crea dos "máscaras de filtrado", que son pequeños círculos alrededorEl individuo. Estas máscaras básicamente filtran todas las señales fuera del círculo, lo que bloquea la trayectoria y la altura del individuo a medida que se mueven. Combinando toda esta información - altura, constitución y movimiento - la red asocia reflejos de RF específicos con individuos específicos.
Pero para etiquetar las identidades de esos blobs anónimos, primero se debe "entrenar" el sistema. Durante unos días, las personas usan sensores de acelerómetro de baja potencia, que se pueden usar para etiquetar las señales de radio reflejadas con sus respectivas identidades. Cuando se implementanen el entrenamiento, Marko primero genera los tracklets de los usuarios, como lo hace en la práctica. Luego, un algoritmo correlaciona ciertas características de aceleración con características de movimiento. Cuando los usuarios caminan, por ejemplo, la aceleración oscila con los 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 etiqueta ese 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 del entrenamiento, las personas no necesitan volver a usarlos. En implementaciones domiciliarias, Marko pudo etiquetar las identidades de las personas en casas nuevas 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 usen Marko para monitorear pasivamente, digamos, 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 observaron momentos específicos en que una enfermeracaminar hasta un botiquín en la habitación de un paciente y luego a la cama del paciente. Eso indica que la enfermera, en esos momentos específicos, le había administrado la medicación al paciente.
El sistema también puede reemplazar los cuestionarios y diarios que utilizan actualmente los psicólogos o científicos del comportamiento para capturar datos sobre la dinámica familiar, los horarios diarios o los patrones de sueño de los sujetos de estudio, entre otros comportamientos. Esos métodos de registro tradicionales pueden ser inexactos, contener sesgos,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 mayores, especialmente, a menudo olvidanpara usarlos o cargarlos. "La motivación aquí es diseñar mejores herramientas para los investigadores", dice Hsu.
¿Por qué no instalar cámaras? Para empezar, esto requeriría que alguien observara y registre manualmente toda la información necesaria. Marko, por otro lado, etiqueta automáticamente los patrones de comportamiento, como el movimiento, el sueño y la interacción, en áreas específicas.días y horas.
Además, el video es más invasivo, agrega Hsu: "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 nivelde información útil, pero sin hacer que las personas se sientan incómodas ".
Katabi y sus estudiantes también planean combinar a Marko con su trabajo anterior de inferir la respiración y la frecuencia cardíaca a partir de las señales de radio circundantes. Luego, Marko se usará para asociar esos datos biométricos con los individuos correspondientes. También podría rastrear la velocidad al caminar de las personas, lo quees un buen indicador de la salud funcional en pacientes ancianos.
Fuente de la historia :
Materiales proporcionado por Instituto de Tecnología de Massachusetts . Nota: el contenido se puede editar por estilo y longitud.
cite esta página :