Onderzoekers van de Syracuse University in New York hebben onlangs een systeem ontwikkeld dat de aanwezigheid van mensen in een bepaalde omgeving kan detecteren door het analyseren van omgevingsradiofrequentiesignalen (RF). Dit nieuwe systeem, gepresenteerd in een paper dat vooraf is gepubliceerd op arXiv, maakt gebruik van een convolutioneel neuraal netwerk (CNN) dat is getraind op een enorme hoeveelheid RF-gegevens.

"In eerste instantie we hebben geprobeerd drones in een buitenomgeving te detecteren met behulp van passieve RF-signalen door middel van deep learning, "Biao Chen, een van de onderzoekers die het onderzoek heeft uitgevoerd, vertelde TechXplore. "Het resultaat was op zijn best ongelijk - het werkte op metingen die op bepaalde dagen werden verzameld, maar op andere dagen zou mislukken."

Al enige tijd, Chen en zijn collega's probeerden een systeem te ontwikkelen dat de aanwezigheid van drones in buitenomgevingen kon detecteren. Echter, ze realiseerden zich al snel dat het consequent detecteren van drones door passieve RF-signalen te analyseren bijna onmogelijk was, omdat ze geen controle hadden over de omgevingen waarin het zich bewoog. Hun systeem is ontworpen om RF-signaturen te extraheren die worden geïnduceerd door de bewegingen van de drone terwijl het de voortplantingskanalen verandert, maar het werd ook beïnvloed door passerende auto's, mensen die hun hond uitlaten, en al het andere dat in de omgeving bewoog.

"In het drone-experiment we waren nooit in staat om consistente resultaten te behalen, " legde Chen uit. "Het leersysteem dat we ontwikkelden, echter, kan eenvoudig worden aangepast aan binnentoepassingen waar de omgeving veel gemakkelijker te regelen en te kalibreren is. Dit leidde er uiteindelijk toe dat we een op deep learning gebaseerd aanwezigheidsdetectiesysteem ontwikkelden dat gebruikmaakt van WiFi-omgevingssignalen."

De aanwezigheid van mensen in een kamer of in andere binnenomgevingen kan de verspreiding van RF-signalen op verschillende manieren veranderen. Door RF-kanaalmetingen voor te verwerken, konden de onderzoekers 'beelden' maken die de signalen samenvatten, die op hun beurt kunnen worden geanalyseerd om de aanwezigheid van mensen in een bepaalde omgeving te detecteren.

Vervolgens trainden ze een CNN op een grote hoeveelheid gegevens die zowel magnitude- als fase-informatie bevatten, twee belangrijke eigenschappen van RF-signalen. Overuren, het deep learning-algoritme leerde te onderscheiden wanneer een omgeving wordt bevolkt door mensen en wanneer het vrij is van hen door te analyseren wat bekend staat als channel state information (CSI).

"Het benutten van de alomtegenwoordigheid van RF-omgevingssignalen zoals wifi, Bluetooth of mobiele signalen voor informatie over situationeel bewustzijn bieden toegevoegde waarde aan bestaande RF-infrastructuur, "Zei Chen. "Bezettingsdetectie, bijvoorbeeld, is een toepassing waarbij RF-detectie een goedkoop en infrastructuurvrij alternatief kan zijn of een aanvulling kan zijn op bestaande benaderingen."

Chen en zijn collega's evalueerden hun op CNN gebaseerde systeem in een aantal experimenten die in hun laboratorium werden uitgevoerd, het gebruik van kant-en-klare wifi-apparaten. Hun systeem bleek in bijna alle gevallen op betrouwbare wijze menselijke aanwezigheid te detecteren, beter presteren dan verschillende state-of-the-art passieve infraroodsensoren.

In de toekomst, het door dit team van onderzoekers ontwikkelde systeem zou een aantal nuttige toepassingen kunnen hebben. Bijvoorbeeld, het zou kunnen worden gebruikt om de aanwezigheid van mensen in een beperkt of privégebied te detecteren. Het in realtime verkrijgen van gegevens met betrekking tot bezetting en menselijke aanwezigheid kan ook helpen om de gebouwintelligentie te verbeteren en het energieverbruik te verminderen (bijv. voor HVAC en lichtregeling).

"Deep learning wordt vaak aangeprezen omdat het datagedreven is, Chen zei. "De keerzijde is dat de vraag naar trainingsgegevens (zowel in kwantiteit als in kwaliteit) overweldigend kan zijn. Om de technologie echt praktisch te maken, de eindgebruiker mag niet worden belast met het verzamelen en trainen van gegevens. Dus, ons huidige en toekomstige werk zal proberen om betrouwbare aanwezigheidsdetectie te bereiken zonder de noodzaak om bewegingsgegevens te verzamelen."

Dit is een website gemaakt door de onderzoekers die de menselijke aanwezigheid in hun lab 24/7 in de gaten houdt:demo.wifisensing.com/

© 2020 Wetenschap X Netwerk