Wifi: cómo detectar la presencia humana

Sobrón Polancos, Iker

EHUko Bilboko Ingeniaritza Eskolako ikertzailea

Landa Sedano, Iratxe

EHUko Bilboko Ingeniaritza Eskolako irakaslea

En la era de las comunicaciones inalámbricas, además de la conectividad, los sistemas de comunicación ofrecen otros servicios. Por ejemplo, la telefonía móvil puede dar posición sin GPS. En este sentido, los sistemas wifi también consiguen detectar la presencia humana a través de la inteligencia artificial. En este artículo, en primer lugar, explicaremos cómo se despliega la señal wifi cuando hay personas involucradas. A continuación presentamos un sistema experto de recuento del número de personas que hay en una habitación, basado en la señal wifi, y en relación con este sistema mostraremos diferentes campos de aplicación. Por ejemplo, el cuidado de las personas mayores.
wifi-radarra-nola-hauteman-gizakiaren-presentzia
Figura . Procesos de reflexión y refracción: las flechas azules representan la reflexión de dos rayos y las flechas amarillas que atraviesan a la persona, el proceso de refracción.

La señal wifi: además de ser un sistema de comunicación, es un radar

Actualmente podemos encontrar la conexión wifi en cualquier lugar de una ciudad. En una comunicación wifi, los dispositivos wifi utilizan ondas electromagnéticas de radiofrecuencia para compartir datos. Es decir, cuando bajamos un vídeo de Youtube o enviamos un correo electrónico, las ondas invisibles de radiofrecuencia que contienen información van a realizar diferentes desplazamientos entre el dispositivo electrónico (un ordenador, un móvil, etc.) y la antena del router de nuestro entorno. En este camino de expansión, las ondas que se extienden por el aire pueden golpear y atravesar paredes, personas u otros objetos del entorno. Los procesos de entablación y cruce se denominan reflexiones y refracciones. Normalmente, cada proceso de reflexión o refracción se representa con un rayo entre dispositivos conectados. De esta forma podemos llamar a la colección de todos los rayos como canal de comunicación inalámbrico. El canal tiene gran importancia en el nivel y calidad de la señal wifi recibida. Por ello, si observamos la señal que llega al receptor wifi, podremos extraer una gran información sobre el canal de comunicación inalámbrico y por tanto sobre el entorno [1].

De hecho, cuando una persona se mueve entre el transmisor y el receptor de una comunicación wifi, se puede cambiar el nivel de la señal wifi. Sobre todo porque es un obstáculo la presencia de una persona en la difusión de las ondas de radio, lo que puede provocar cambios en el canal de comunicación inalámbrico. Es decir, cada nuevo rayo puede producir cambios de potencia en la señal recibida. Por lo tanto, si analizáramos las incidencias del nivel de señal que se recibe, podremos saber qué ocurre en torno a un router. Entre otras, el número de personas que se encuentran en este entorno.

Cuando una habitación esté vacía, el rayo directo entre emisor y receptor será el principal. Por ello, la señal que se recibe normalmente será estable en el tiempo. Sin embargo, cuando algunas personas se desplazan dentro de la sala, los rayos que modelan la señal wifi variarán de dirección o intensidad en función del número de obstáculos que se encuentren. Por ello, se pueden investigar diferentes características de señal para conocer el canal inalámbrico. Por ejemplo, nivel de potencia, fase y amplitud de la señal, frecuencia Doppler, etc. El análisis de cómo estas características varían en el tiempo nos permite valorar qué es lo que las ha provocado.

Figura . En una habitación se muestran tres situaciones: una habitación vacía, una amiga y dos amigas. En la parte derecha se muestran los niveles reales de señal que recibe un receptor en cada estado durante 15 segundos. En las imágenes se aprecia que cuantas más personas se encuentran alrededor de una comunicación wifi, más fluctuaciones aparecen a nivel de señal recibida.

Precisamente, en el grupo de investigación TSR Lab estamos investigando cómo podemos explotar las mediciones del canal inalámbrico para detectar la presencia humana y cuantificar el número de personas. Para ello, analizamos el comportamiento del canal utilizando herramientas matemáticas. Por ejemplo, la estadística, la teoría de la información, el análisis de frecuencias y el análisis espectral son las herramientas más utilizadas. Los resultados obtenidos mediante el análisis matemático se utilizan para alimentar un sistema experto que cuenta el número de personas.

Inteligencia artificial para contar el número de personas

En los últimos años la inteligencia artificial está cada vez más presente en nuestra vida. Cada día podemos encontrar ejemplos como sistemas de reconocimiento de voz, traductores automáticos o envío de anuncios personalizados a usuarios de Internet. Un sistema de inteligencia artificial es sólo un ordenador basado en la observación y el razonamiento, capaz de comportarse de forma humana. Para ello, los sistemas expertos resuelven un problema utilizando algoritmos matemáticos complejos (redes neuronales, redes bayesianas, algoritmos bioinspirados) y lógica formal, basada en una serie de parámetros que miden el medio ambiente. Los sistemas normalmente estudian la estadística de la observación, buscando la solución con mayor probabilidad de éxito para afrontar un problema [2]. Por ejemplo, a un sistema experto basado en ajedrez se le introducen numerosas jugadas de ajedrez como observación. Así, el sistema, a través de la estadística, puede encontrar el mejor movimiento y ganar al campeón mundial de ajedrez.

Centrándonos en la detección de presencia humana, el sistema experto propuesto por nosotros se basa en la capacidad de contar a personas cercanas a la zona de cobertura del sistema de comunicaciones wifi. En este caso, las observaciones del sistema son señales eléctricas recogidas en la antena del receptor, generadas por las ondas de radio que viajan del emisor al receptor. Tras aprender matemáticamente el comportamiento de las señales, un sistema experto recoge la información recopilada y, utilizando los conocimientos adquiridos, determina el número de personas que hay en un lugar. El grado de éxito del sistema dependerá de la capacidad de aprendizaje del sistema experto. ¿Y cómo se consigue que el sistema aprenda a percibir a las personas? Para ello tenemos que preparar el sistema para que sepa el aspecto de las señales cuando hay una, dos o más personas en un lugar.

Figura . Estructura del sistema experto de detección de presencia humana mediante señal inalámbrica wifi [2].

Pongamos un simple ejemplo. Supongamos que a un niño que no sabe contar le enseñamos varias fotos en las que aparecen dos o más personas y le enseñamos la diferencia entre las que aparecen dos o más personas. Si le enseñamos otra foto de dos personas al niño entrenado, seguramente ese niño lo clasificará bien (hay dos opciones: en la foto aparecen dos o más personas). Realizamos un procedimiento similar al ejemplo dado con el sistema experto, es decir, le enseñamos cuáles son las principales características de la señal wifi cuando en el entorno estudiado hay entre cero y cuatro personas. Con este modelo de aprendizaje, el sistema experto desarrollado consigue clasificar a 0-4 personas en el medio, con probabilidades medias de éxito del 87% y 84%, utilizando redes neuronales [3] y máquinas del vector de soporte [2] (en inglés, Support-Vector Machine, SVM), respectivamente.

Desde el punto de vista de la investigación, una de las cuestiones más importantes es la fiabilidad del sistema. En este momento, el grado de fallo viene condicionado en gran medida por la capacidad de formación y aprendizaje del sistema experto. En definitiva, la diversidad de entornos que podemos encontrar en nuestro campo hace que sea necesario ajustar el sistema de percepción de la presencia humana a diferentes entornos. Para ello es necesario adoptar medidas previas para cada entorno.

Aplicaciones del sistema de detección de presencia humana

Tabla . Matriz de mezclas del sistema experto basado en algoritmos SVM [2]. En la diagonal de la matriz aparecen los porcentajes de aciertos en verde; fuera de la diagonal aparecen los porcentajes de errores con tonos rojos. Los mejores resultados serían alcanzar el 100% en diagonal y el 0% fuera de la diagonal.

Como ya se ha comentado, en esta época cualquiera puede encontrar conexiones wifi en las ciudades. Por ello, el sistema propuesto podría utilizarse en cualquier lugar, con una conexión wifi. Es más, cualquier sistema wifi está conectado a través de Internet. Esto significa que cualquier persona puede acceder a su sistema desde cualquier lugar del mundo y, por lo tanto, puede conocer qué ocurre en el entorno de su receptor wifi.

En este sentido, las principales aplicaciones están relacionadas con la monitorización remota. Por ejemplo, el control de clientes en tiendas [4], la detección de entradas no autorizadas [5] o el cuidado de personas mayores en hogares tutelados [6]. Sin embargo, además de las aplicaciones mencionadas, se podría desarrollar un sistema experto basado en las señales wifi para otro tipo de monitorizaciones, como la identificación de emociones (tristeza, alegría, enfado) o el seguimiento de la respiración y los latidos cardiacos [7][8].

Bibliografía

[1] S. D. Domenico, M. D. Sanctis, E. Cianca, F. Giuliano and G. Bianchi, “Exploring Training Options for RF Sensing Using CSI,” en IEEE Communications Magazine, vol. 56, no. 5, pp. 116-123, May 2018.
[2] I. Sobrón, J. Del Ser, I. Eizmendi and M. Vélez, “Device-Free People Counting in IoT Environments: New Insights, Results and Open Challenges,” en IEEE Internet of Things Journal, Volume 64, Issue 6, December 2018, pp. 4396-4408.
[3] I. Sobrón, J. del Ser, I. Eizmendi and M. Vélez, “A Deep Learning Approach to Device-Free People Counting from WiFi Signals” in 12th International Symposium on Intelligent Distributed Computing (IDC 2018), Bilbao (Spain), October 2018.
[4] C. Wu, Z. Yang, Z. Zhou, X. Liu, Y. Liu, and J. Cao, “Non-invasive detection of moving and stationary human with WiFi,” en IEEE Journal on Selected Areas in Communications, vol. 33, no. 11, pp. 2329–2342, Nov 2015.
[5] S. D. Domenico, M. D. Sanctis, E. Cianca and M. Ruggieri, «WiFi-based through-the-wall presence detection of stationary and moving humans analyzing the doppler spectrum,» en IEEE Aerospace and Electronic Systems Magazine, vol. 33, no. 5-6, pp. 14-19, May-June 2018.
[6] S. Savazzi, S. Sigg, M. Nicolás, V. • Kianoush and U. Spagnolini, “Device-Free Radio Vision for Assisted Living: Leveraging wireless channel quality information for human sensing,” en IEEE Signal Processing Magazine, vol. 33, no. 2, pp. 45-58, March 2016.
[7] Z. Wang, B. Guo, Z. Yu and X. Zhou, “Wi-Fi CSI-Based Behavior Recognition: From Signals and Actions to Activities,” en IEEE Communications Magazine, vol. 56, no. 5, pp. 109-115, May 2018.
[8] X. Wang, C. Yang and S. Mao, “PhaseBeat: Exploiting CSI Phase Data for Vital Sign Monitoring with Commodity WiFi Devices,” en 2017 IEEE 37th International Conference on Distributed Computing Systems (ICDCS), Atlanta, GA, 2017, pp. 1230-1239.

Jarrai iezaguzu

Zu idazle

Zientzia aldizkaria

azken alea
Babesleak
Eusko Jaurlaritzako Industria, Merkataritza eta Turismo Saila
MAIER Koop. Elk.
KIDE Koop. Elk.
ULMA Koop. Elk.
EIKA Koop. Elk.
LAGUN ARO Koop. Elk.
FAGOR ELECTRÓNICA Koop. Elk.