We leven in een wereld van draadloze signalen die om ons heen stromen en van ons lichaam weerkaatsen. MIT-onderzoekers maken nu gebruik van die signaalreflecties om wetenschappers en zorgverleners waardevolle inzichten te bieden in het gedrag en de gezondheid van mensen.

Het systeem, genaamd Marko, zendt een laagvermogen radiofrequentiesignaal (RF) naar een omgeving. Het signaal keert met bepaalde veranderingen terug naar het systeem als het is teruggekaatst van een bewegend mens. Nieuwe algoritmen analyseren vervolgens die veranderde reflecties en associëren ze met specifieke individuen.

Het systeem volgt vervolgens de bewegingen van elk individu rond een digitale plattegrond. Het matchen van deze bewegingspatronen met andere data kan inzichten opleveren over hoe mensen met elkaar en de omgeving omgaan.

In een paper dat deze week wordt gepresenteerd op de conferentie over menselijke factoren in computersystemen, de onderzoekers beschrijven het systeem en het gebruik in de praktijk op zes locaties:twee assistentiewoningen, drie appartementen bewoond door stellen, en een herenhuis met vier bewoners. De casestudy's toonden het vermogen van het systeem om individuen te onderscheiden op basis van uitsluitend draadloze signalen - en onthulden enkele bruikbare gedragspatronen.

In een woonzorgcentrum met toestemming van de familie en verzorgers van de patiënt, de onderzoekers volgden een patiënt met dementie die om onbekende redenen vaak opgewonden raakte. Over een maand, ze maten het verhoogde tempo van de patiënt tussen gebieden van hun eenheid - een bekend teken van agitatie. Door het verhoogde tempo te matchen met het bezoekerslogboek, ze stelden vast dat de patiënt meer geagiteerd was tijdens de dagen na familiebezoeken. Dit toont aan dat Marko een nieuwe, passieve manier om functionele gezondheidsprofielen van patiënten thuis te volgen, zeggen de onderzoekers.

"Dit zijn interessante stukjes die we hebben ontdekt door middel van gegevens, " zegt eerste auteur Chen-Yu Hsu, een doctoraat student in het Computer Science and Artificial Intelligence Laboratory (CSAIL). "We leven in een zee van draadloze signalen, en de manier waarop we bewegen en rondlopen verandert deze reflecties. We hebben het systeem ontwikkeld dat naar die reflecties luistert... om het gedrag en de gezondheid van mensen beter te begrijpen."

Het onderzoek wordt geleid door Dina Katabi, de Andrew en Erna Viterbi hoogleraar elektrotechniek en computerwetenschappen en directeur van het MIT Center for Wireless Networks and Mobile Computing (Wireless@MIT). Naast Katabi en Hsu op de krant staan ​​CSAIL-studenten Mingmin Zhao en Guang-He Lee en alumnus Rumen Hristov SM '16.

'tracklets' en identiteiten voorspellen

Wanneer ingezet in een huis, Marko zendt een RF-signaal uit. Wanneer het signaal terugkaatst, het creëert een soort warmtekaart gesneden in verticale en horizontale "frames, " die aangeeft waar mensen zich in een driedimensionale ruimte bevinden. Mensen verschijnen als heldere blobs op de kaart. Verticale frames leggen de lengte en bouw van de persoon vast, terwijl horizontale frames hun algemene locatie bepalen. Zoals individuen lopen, het systeem analyseert de RF-frames - ongeveer 30 per seconde - om korte trajecten te genereren, tracklets genoemd.

Een convolutioneel neuraal netwerk - een machine learning-model dat vaak wordt gebruikt voor beeldverwerking - gebruikt die sporen om reflecties van bepaalde individuen te scheiden. Voor elk individu voelt het, het systeem creëert twee "filtermaskers, " wat kleine cirkels rond het individu zijn. Deze maskers filteren in principe alle signalen buiten de cirkel, die het traject en de hoogte van het individu vergrendelt terwijl ze bewegen. Door al deze informatie te combineren - hoogte, bouwen, en beweging:het netwerk associeert specifieke RF-reflecties met specifieke individuen.

Maar om identiteiten aan die anonieme blobs te koppelen, het systeem moet eerst worden 'getraind'. Voor een paar dagen, individuen dragen low-powered accelerometer sensoren, die kunnen worden gebruikt om de gereflecteerde radiosignalen te labelen met hun respectieve identiteiten. Wanneer ingezet in opleiding, Marko genereert eerst tracklets van gebruikers, zoals het in de praktijk gaat. Vervolgens, een algoritme correleert bepaalde versnellingskenmerken met bewegingskenmerken. Als gebruikers lopen, bijvoorbeeld, de versnelling oscilleert met stappen, maar wordt een platte lijn als ze stoppen. Het algoritme vindt de beste match tussen de acceleratiegegevens en tracklet, en labelt die tracklet met de identiteit van de gebruiker. Daarbij, Marko leert welke gereflecteerde signalen correleren met specifieke identiteiten.

De sensoren hoeven nooit opgeladen te worden, en, na het trainen, de individuen hoeven ze niet opnieuw te dragen. Bij thuisimplementaties, Marko was in staat om de identiteit van personen in nieuwe huizen te taggen met een nauwkeurigheid van tussen de 85 en 95 procent.

Een goede balans (dataverzameling) vinden

De onderzoekers hopen dat zorginstellingen Marko zullen gebruiken om passief te monitoren, zeggen, hoe patiënten omgaan met familie en zorgverleners, en of patiënten op tijd medicijnen krijgen. In een begeleid wonen, bijvoorbeeld, de onderzoekers noteerden specifieke tijden waarop een verpleegster naar een medicijnkastje in de kamer van een patiënt zou lopen en vervolgens naar het bed van de patiënt. Dat gaf aan dat de verpleegster op die specifieke tijden, medicatie van de patiënt toegediend.

Het systeem kan ook de vragenlijsten en dagboeken vervangen die momenteel door psychologen of gedragswetenschappers worden gebruikt om gegevens over de gezinsdynamiek van hun proefpersonen vast te leggen, dagelijkse schema's, of slaappatronen, onder andere gedrag. Die traditionele opnamemethoden kunnen onnauwkeurig zijn, vooringenomenheid bevatten, en zijn niet geschikt voor langdurige studies, waar mensen zich misschien moeten herinneren wat ze dagen of weken geleden hebben gedaan. Sommige onderzoekers zijn begonnen mensen uit te rusten met draagbare sensoren om beweging en biometrie te volgen. Maar oudere patiënten, vooral, vergeet ze vaak te dragen of op te laden. "De motivatie hier is om betere tools voor onderzoekers te ontwerpen, ' zegt Hsu.

Waarom niet gewoon camera's installeren? Voor starters, hiervoor zou iemand moeten kijken en handmatig alle benodigde informatie opnemen. Marko, anderzijds, tagt automatisch gedragspatronen, zoals beweging, slaap, en interactie—op specifieke gebieden, dagen, en tijden.

Ook, video is gewoon invasiever, Hsu voegt toe:"De meeste mensen voelen zich niet zo op hun gemak als ze de hele tijd gefilmd worden, vooral in hun eigen huis. Het gebruik van radiosignalen om al dit werk te doen, zorgt voor een goede balans tussen het verkrijgen van een bepaald niveau van nuttige informatie, maar mensen niet ongemakkelijk laten voelen."

Katabi en haar studenten zijn ook van plan Marko te combineren met hun eerdere werk over het afleiden van ademhaling en hartslag uit de omringende radiosignalen. Marko zal vervolgens worden gebruikt om die biometrische gegevens te associëren met de overeenkomstige personen. Het kan ook de loopsnelheid van mensen volgen, wat een goede indicator is voor de functionele gezondheid van oudere patiënten.

"Het potentieel is hier enorm, " zegt Cecilia Mascolo, een professor in mobiele systemen bij de afdeling Computerwetenschappen en Technologie aan de Universiteit van Cambridge. "Met betrekking tot beeldvorming via camera's, het biedt een minder gegevensrijk en meer gericht model voor het verzamelen van informatie, wat zeer welkom is vanuit het oogpunt van gebruikersprivacy. De verzamelde gegevens, echter, is nog steeds erg rijk, en de papieren evaluatie toont nauwkeurigheid die een aantal zeer nuttige toepassingen mogelijk kan maken, bijvoorbeeld in de ouderenzorg, medische therapietrouw monitoring, of zelfs ziekenhuiszorg."

"Nog, als gemeenschap, we moeten ons bewust zijn van de privacyrisico's die dit soort technologie met zich meebrengt, " voegt Mascolo toe. Bepaalde rekentechnieken, ze zegt, moet worden overwogen om ervoor te zorgen dat de gegevens privé blijven.

Dit verhaal is opnieuw gepubliceerd met dank aan MIT News (web.mit.edu/newsoffice/), een populaire site met nieuws over MIT-onderzoek, innovatie en onderwijs.