Dybt læringssystem registrerer menneskelig tilstedeværelse ved at høste RF-signaler

Forskere ved Syracuse University i New York har for nylig udviklet et system, der kan detektere tilstedeværelsen af ​​mennesker i et givet miljø ved at analysere omgivende radiofrekvenssignaler (RF). Dette nye system, præsenteret i et papir, der er forududgivet på arXiv, anvender et konvolutionelt neuralt netværk (CNN) trænet på en stor mængde RF-data.

"I første omgang, vi forsøgte at detektere droner i et udendørs miljø ved hjælp af passive RF-signaler gennem dyb læring, "Biao Chen, en af ​​de forskere, der har udført undersøgelsen, fortalte TechXplore. "Resultatet var i bedste fald ujævnt - det fungerede på målinger indsamlet på bestemte dage, men ville mislykkes på andre dage."

I nogen tid, Chen og hans kolleger forsøgte at udvikle et system, der kunne mærke tilstedeværelsen af ​​droner i udendørs miljøer. Imidlertid, de indså hurtigt, at konsekvent detektering af droner ved at analysere passive RF-signaler var næsten umuligt, da de ikke havde kontrol over de miljøer, den bevægede sig i. Deres system var designet til at udtrække RF-signaturer induceret af dronens bevægelser, da den ændrer udbredelseskanalerne, men det blev også påvirket af forbipasserende biler, folk går tur med deres hunde, og alt andet, der bevægede sig i det omgivende miljø.

"I droneeksperimentet, vi var aldrig i stand til at opnå ensartede resultater, " Chen forklarede. "Læringssystemet vi udviklede, imidlertid, kan nemt tilpasses til indendørs applikationer, hvor miljøet er meget nemmere at kontrollere og kalibrere. Dette førte os til sidst til at udvikle et dybt læringsbaseret tilstedeværelsesdetektionssystem ved hjælp af omgivende WiFi-signaler."

Tilstedeværelsen af ​​mennesker i et rum eller i andre indendørs miljøer kan ændre udbredelsen af ​​RF-signaler på flere måder. Ved at forbehandle RF-kanalmålinger, forskerne var i stand til at skabe 'billeder', der opsummerer signalerne, som igen kunne analyseres for at påvise tilstedeværelsen af ​​mennesker i et givet miljø.

De trænede derefter en CNN på en stor mængde data indeholdende både størrelses- og faseinformation, to nøgleegenskaber ved RF-signaler. Over tid, den dybe læringsalgoritme lærte at skelne, hvornår et miljø er befolket af mennesker, og hvornår det er frit for dem ved at analysere det, der er kendt som kanaltilstandsinformation (CSI).

"Udnyttelse af allestedsnærværende RF-signaler som WiFi, Bluetooth eller cellulære signaler til information om situationsbevidsthed giver merværdi til eksisterende RF-infrastruktur, " sagde Chen. "Belægningsregistrering, for eksempel, er en applikation, hvor RF-sensing kan være et billigt og infrastrukturfrit alternativ eller et supplement til eksisterende tilgange."

Chen og hans kolleger evaluerede deres CNN-baserede system i en række eksperimenter udført i deres laboratorium, brug af hyldevare WiFi-enheder. Deres system viste sig pålideligt at detektere menneskelig tilstedeværelse i næsten alle tilfælde, udkonkurrerer adskillige state-of-the-art passive infrarøde sensorer.

I fremtiden, systemet udviklet af dette team af forskere kunne have en række nyttige anvendelser. For eksempel, det kunne bruges til at opdage tilstedeværelsen af ​​mennesker i et begrænset eller privat område. At opnå data relateret til belægning og menneskelig tilstedeværelse i realtid kan også hjælpe med at forbedre bygningens intelligens og reducere energiforbruget (f. til HVAC og lysstyring).

"Dyb læring bliver ofte udråbt for at være datadrevet, " sagde Chen. "Bagsiden er, at efterspørgslen på træningsdata (både i kvantitet og kvalitet) kan være overvældende. For at teknologien virkelig bliver praktisk, slutbrugeren bør ikke belastes med dataindsamling og træning. Dermed, vores nuværende og fremtidige arbejde vil forsøge at opnå pålidelig tilstedeværelsesdetektion uden behov for at indsamle bevægelsesdata."

Dette er en hjemmeside oprettet af forskerne, der overvåger menneskelig tilstedeværelse i deres laboratorium 24/7:demo.wifisensing.com/

© 2020 Science X Network