Trådløst bevægelsessporingssystem kunne indsamle sundheds- og adfærdsdata

Vi lever i en verden af ​​trådløse signaler, der flyder omkring os og hopper af vores kroppe. MIT-forskere udnytter nu disse signalrefleksioner til at give videnskabsmænd og omsorgspersoner værdifuld indsigt i folks adfærd og sundhed.

Systemet, kaldet Marko, sender et laveffekts radiofrekvenssignal (RF) ind i et miljø. Signalet vil vende tilbage til systemet med visse ændringer, hvis det har hoppet af et menneske i bevægelse. Nye algoritmer analyserer derefter disse ændrede refleksioner og forbinder dem med specifikke individer.

Systemet sporer derefter hver enkelts bevægelse rundt i en digital plantegning. At matche disse bevægelsesmønstre med andre data kan give indsigt i, hvordan mennesker interagerer med hinanden og miljøet.

I et papir, der præsenteres på konferencen om menneskelige faktorer i computersystemer i denne uge, forskerne beskriver systemet og dets brug i den virkelige verden seks steder:to plejehjem, tre lejligheder beboet af par, og et rækkehus med fire beboere. Casestudierne viste systemets evne til at skelne individer udelukkende baseret på trådløse signaler - og afslørede nogle nyttige adfærdsmønstre.

I et plejehjem, med tilladelse fra patientens familie og pårørende, forskerne overvågede en patient med demens, som ofte ville blive ophidset af ukendte årsager. Over en måned, de målte patientens øgede pacing mellem områder af deres enhed – et kendt tegn på agitation. Ved at matche øget tempo med besøgsloggen, de konstaterede, at patienten var mere ophidset i dagene efter familiebesøg. Dette viser, at Marko kan levere en ny, passiv måde at spore funktionelle sundhedsprofiler for patienter derhjemme, siger forskerne.

"Dette er interessante stykker, vi opdagede gennem data, " siger førsteforfatter Chen-Yu Hsu, en ph.d. studerende i Datalogi og Kunstig Intelligens Laboratorium (CSAIL). "Vi lever i et hav af trådløse signaler, og måden, vi bevæger os og går rundt på, ændrer disse refleksioner. Vi udviklede systemet, der lytter til disse refleksioner … for bedre at forstå folks adfærd og helbred."

Forskningen ledes af Dina Katabi, Andrew og Erna Viterbi professor i elektroteknik og datalogi og direktør for MIT Center for Wireless Networks and Mobile Computing (Wireless@MIT). Sammen med Katabi og Hsu på papiret er CSAIL-kandidatstuderende Mingmin Zhao og Guang-He Lee og alumnen Rumen Hristov SM '16.

Forudsigelse af "tracklets" og identiteter

Når de er indsat i et hjem, Marko udsender et RF-signal. Når signalet vender tilbage, det skaber en type varmekort skåret i lodrette og vandrette "rammer, " som angiver, hvor mennesker befinder sig i et tredimensionelt rum. Mennesker vises som lyse klatter på kortet. Lodrette rammer fanger personens højde og bygning, mens vandrette rammer bestemmer deres generelle placering. Når individer går, systemet analyserer RF-frames - omkring 30 pr. sekund - for at generere korte baner, kaldet tracklets.

Et foldet neuralt netværk - en maskinlæringsmodel, der almindeligvis bruges til billedbehandling - bruger disse spor til at adskille refleksioner fra visse individer. For hver enkelt sanser den, systemet opretter to "filtreringsmasker, " som er små cirkler omkring individet. Disse masker filtrerer stort set alle signaler uden for cirklen, som låser individets bane og højde, når de bevæger sig. Ved at kombinere alle disse oplysninger – højde, bygge, og bevægelse - netværket forbinder specifikke RF-refleksioner med specifikke individer.

Men for at mærke identiteter til de anonyme klatter, systemet skal først "trænes". I et par dage, enkeltpersoner bærer lavenergi-accelerometersensorer, som kan bruges til at mærke de reflekterede radiosignaler med deres respektive identiteter. Når de er udstationeret i træning, Marko genererer først brugernes tracklets, som det gør i praksis. Derefter, en algoritme korrelerer visse accelerationstræk med bevægelsesegenskaber. Når brugere går, for eksempel, accelerationen svinger med trin, men bliver en flad streg, når de stopper. Algoritmen finder det bedste match mellem accelerationsdata og tracklet, og etiketter, der sporer med brugerens identitet. Derved, Marko lærer, hvilke reflekterede signaler, der korrelerer med specifikke identiteter.

Sensorerne skal aldrig oplades, og, efter træning, individerne behøver ikke at bære dem igen. I hjemmeinstallationer, Marko var i stand til at mærke identiteten på personer i nye hjem med mellem 85 og 95 procent nøjagtighed.

At skabe en god (dataindsamling) balance

Forskerne håber, at sundhedsfaciliteter vil bruge Marko til passivt at overvåge, sige, hvordan patienter interagerer med familie og pårørende, og om patienter får medicin til tiden. I et plejehjem, for eksempel, forskerne bemærkede bestemte tidspunkter, hvor en sygeplejerske gik hen til et medicinskab på en patients værelse og derefter til patientens seng. Det tydede på, at sygeplejersken havde, på de specifikke tidspunkter, indgivet patientens medicin.

Systemet kan også erstatte spørgeskemaer og dagbøger, der i øjeblikket bruges af psykologer eller adfærdsforskere til at indfange data om deres forsøgspersoners familiedynamik, daglige skemaer, eller sovemønstre, blandt anden adfærd. Disse traditionelle optagelsesmetoder kan være unøjagtige, indeholde bias, og er ikke velegnede til langtidsstudier, hvor folk måske skal huske, hvad de gjorde for dage eller uger siden. Nogle forskere er begyndt at udstyre folk med bærbare sensorer til at overvåge bevægelse og biometri. Men ældre patienter, især, glemmer ofte at bære eller oplade dem. "Motivationen her er at designe bedre værktøjer til forskere, " siger Hsu.

Hvorfor ikke bare installere kameraer? Til at begynde med, dette ville kræve, at nogen ser og manuelt registrerer alle nødvendige oplysninger. Marko, på den anden side, mærker automatisk adfærdsmønstre – såsom bevægelse, søvn, og interaktion - til specifikke områder, dage, og tider.

Også, video er bare mere invasiv, Hsu tilføjer:"De fleste mennesker er ikke så komfortable med at blive filmet hele tiden, især i deres eget hjem. Brug af radiosignaler til at udføre alt dette arbejde skaber en god balance mellem at få en vis grad af nyttig information, men ikke at få folk til at føle sig utilpas."

Katabi og hendes elever planlægger også at kombinere Marko med deres tidligere arbejde med at udlede vejrtrækning og puls fra de omgivende radiosignaler. Marko vil derefter blive brugt til at forbinde disse biometriske data med de tilsvarende individer. Det kunne også spore folks ganghastigheder, som er en god indikator for funktionelt helbred hos ældre patienter.

"Potentialet her er enormt, " siger Cecilia Mascolo, en professor i mobile systemer i Institut for Datalogi og Teknologi ved Cambridge University. "Med hensyn til billeddannelse gennem kameraer, det tilbyder en mindre datarig og mere målrettet model til indsamling af information, hvilket er meget velkomment fra brugernes privatlivsperspektiv. De indsamlede data, imidlertid, er stadig meget rig, og papirevalueringen viser nøjagtighed, som kan muliggøre en række meget nyttige applikationer, for eksempel i ældreplejen, medicinsk tilslutningsovervågning, eller endda hospitalsbehandling."

"Endnu, som et fællesskab, vi skal være opmærksomme på de privatlivsrisici, som denne type teknologi medfører, " tilføjer Mascolo. Visse beregningsteknikker, hun siger, bør overvejes for at sikre, at data forbliver private.

Denne historie er genudgivet med tilladelse fra MIT News (web.mit.edu/newsoffice/), et populært websted, der dækker nyheder om MIT-forskning, innovation og undervisning.