Wifi: como detectar a presenza humana

Sobrón Polancos, Iker

EHUko Bilboko Ingeniaritza Eskolako ikertzailea

Landa Sedano, Iratxe

EHUko Bilboko Ingeniaritza Eskolako irakaslea

Na era das comunicacións inalámbricas, ademais da conectividad, os sistemas de comunicación ofrecen outros servizos. Por exemplo, a telefonía móbil pode dar posición sen GPS. Neste sentido, os sistemas wifi tamén conseguen detectar a presenza humana a través da intelixencia artificial. Neste artigo, en primeiro lugar, explicaremos como se desprega o sinal wifi cando hai persoas involucradas. A continuación presentamos un sistema experto de reconto do número de persoas que hai nunha habitación, baseado no sinal wifi, e en relación con este sistema mostraremos diferentes campos de aplicación. Por exemplo, o coidado das persoas maiores.
wifi-radarra-nola-hauteman-gizakiaren-presentzia
Figura . Procesos de reflexión e refracción: as frechas azuis representan a reflexión de dous raios e as frechas amarelas que atravesan á persoa, o proceso de refracción.

O sinal wifi: ademais de ser un sistema de comunicación, é un radar

Actualmente podemos atopar a conexión wifi en calquera lugar dunha cidade. Nunha comunicación wifi, os dispositivos wifi utilizan ondas electromagnéticas de radiofrecuencia paira compartir datos. É dicir, cando baixamos un vídeo de Youtube ou enviamos un correo electrónico, as ondas invisibles de radiofrecuencia que conteñen información van realizar diferentes desprazamentos entre o dispositivo electrónico (un computador, un móbil, etc.) e a antena do router da nosa contorna. Neste camiño de expansión, as ondas que se estenden polo aire poden golpear e atravesar paredes, persoas ou outros obxectos da contorna. Os procesos de entablación e cruzamento denomínanse reflexións e refracciones. Normalmente, cada proceso de reflexión ou refracción represéntase cun raio entre dispositivos conectados. Desta forma podemos chamar á colección de todos os raios como canle de comunicación inalámbrico. A canle ten gran importancia no nivel e calidade do sinal wifi recibida. Por iso, se observamos o sinal que chega ao receptor wifi, poderemos extraer una gran información sobre a canle de comunicación inalámbrico e por tanto sobre a contorna [1].

De feito, cando una persoa móvese entre o transmisor e o receptor dunha comunicación wifi, pódese cambiar o nivel do sinal wifi. Sobre todo porque é un obstáculo a presenza dunha persoa na difusión das ondas de radio, o que pode provocar cambios na canle de comunicación inalámbrico. É dicir, cada novo raio pode producir cambios de potencia no sinal recibido. Por tanto, se analizásemos as incidencias do nivel de sinal que se recibe, poderemos saber que ocorre ao redor dun router. Entre outras, o número de persoas que se atopan nesta contorna.

Cando una habitación estea baleira, o raio directo entre emisor e receptor será o principal. Por iso, o sinal que se recibe normalmente será estable no tempo. Con todo, cando algunhas persoas desprázanse dentro da sala, os raios que modelan o sinal wifi variarán de dirección ou intensidade en función do número de obstáculos que se atopen. Por iso, pódense investigar diferentes características de sinal paira coñecer a canle inalámbrica. Por exemplo, nivel de potencia, fase e amplitude do sinal, frecuencia Doppler, etc. A análise de como estas características varían no tempo permítenos valorar que é o que as provocou.

Figura . Nunha habitación móstranse tres situacións: una habitación baleira, una amiga e dúas amigas. Na parte dereita móstranse os niveis reais de sinal que recibe un receptor en cada estado durante 15 segundos. Nas imaxes apréciase que cantas máis persoas atópanse ao redor de una comunicación wifi, máis fluctuaciones aparecen a nivel de sinal recibido.

Precisamente, no grupo de investigación TSR Lab estamos a investigar como podemos explotar as medicións da canle inalámbrica paira detectar a presenza humana e cuantificar o número de persoas. Paira iso, analizamos o comportamento da canle utilizando ferramentas matemáticas. Por exemplo, a estatística, a teoría da información, a análise de frecuencias e a análise espectral son as ferramentas máis utilizadas. Os resultados obtidos mediante a análise matemática utilízanse paira alimentar un sistema experto que conta o número de persoas.

Intelixencia artificial paira contar o número de persoas

Nos últimos anos a intelixencia artificial está cada vez máis presente na nosa vida. Cada día podemos atopar exemplos como sistemas de recoñecemento de voz, tradutores automáticos ou envío de anuncios personalizados a usuarios de Internet. Un sistema de intelixencia artificial é só un computador baseado na observación e o razoamento, capaz de comportarse de forma humana. Paira iso, os sistemas expertos resolven un problema utilizando algoritmos matemáticos complexos (redes neuronais, redes bayesianas, algoritmos bioinspirados) e lóxica formal, baseada nunha serie de parámetros que miden o medio ambiente. Os sistemas normalmente estudan a estatística da observación, buscando a solución con maior probabilidade de éxito paira afrontar un problema [2]. Por exemplo, a un sistema experto baseado en xadrez introdúcenselle numerosas xogadas de xadrez como observación. Así, o sistema, a través da estatística, pode atopar o mellor movemento e gañar ao campión mundial de xadrez.

Centrándonos na detección de presenza humana, o sistema experto proposto por nós baséase na capacidade de contar a persoas próximas á zona de cobertura do sistema de comunicacións wifi. Neste caso, as observacións do sistema son sinais eléctricos recollidas na antena do receptor, xeradas polas ondas de radio que viaxan do emisor ao receptor. Tras aprender matematicamente o comportamento dos sinais, un sistema experto recolle a información recompilada e, utilizando os coñecementos adquiridos, determina o número de persoas que hai nun lugar. O grao de éxito do sistema dependerá da capacidade de aprendizaxe do sistema experto. E como se consegue que o sistema aprenda a percibir ás persoas? Paira iso temos que preparar o sistema para que saiba o aspecto dos sinais cando hai una, dous ou máis persoas nun lugar.

Figura . Estrutura do sistema experto de detección de presenza humana mediante sinal inalámbrico wifi [2].

Poñamos un simple exemplo. Supoñamos que a un neno que non sabe contar ensinámoslle varias fotos nas que aparecen dúas ou máis persoas e ensinámoslle a diferenza entre as que aparecen dúas ou máis persoas. Se lle ensinamos outra foto de dúas persoas ao neno adestrado, seguramente ese neno clasificarao ben (hai dúas opcións: na foto aparecen dúas ou máis persoas). Realizamos un procedemento similar ao exemplo dado co sistema experto, é dicir, ensinámoslle cales son as principais características do sinal wifi cando na contorna estudada hai entre cero e catro persoas. Con este modelo de aprendizaxe, o sistema experto desenvolvido consegue clasificar a 0-4 persoas no medio, con probabilidades medias de éxito do 87% e 84%, utilizando redes neuronais [3] e máquinas do vector de soporte [2] (en inglés, Support-Vector Machine, SVM), respectivamente.

Desde o punto de vista da investigación, una das cuestións máis importantes é a fiabilidade do sistema. Neste momento, o grao de fallo vén condicionado en gran medida pola capacidade de formación e aprendizaxe do sistema experto. En definitiva, a diversidade de contornas que podemos atopar no noso campo fai que sexa necesario axustar o sistema de percepción da presenza humana a diferentes contornas. Paira iso é necesario adoptar medidas previas paira cada contorna.

Aplicacións do sistema de detección de presenza humana

Táboa . Matriz de mesturas do sistema experto baseado en algoritmos SVM [2]. Na diagonal da matriz aparecen as porcentaxes de acertos en verde; fóra da diagonal aparecen as porcentaxes de erros con tons vermellos. Os mellores resultados serían alcanzar o 100% en diagonal e o 0% fose da diagonal.

Como xa se comentou, nesta época calquera pode atopar conexións wifi nas cidades. Por iso, o sistema proposto podería utilizarse en calquera lugar, cunha conexión wifi. É máis, calquera sistema wifi está conectado a través de Internet. Isto significa que calquera persoa pode acceder ao seu sistema desde calquera lugar do mundo e, por tanto, pode coñecer que ocorre na contorna do seu receptor wifi.

Neste sentido, as principais aplicacións están relacionadas coa monitorización remota. Por exemplo, o control de clientes en tendas [4], a detección de entradas non autorizadas [5] ou o coidado de persoas maiores en fogares tutelados [6]. Con todo, ademais das aplicacións mencionadas, poderíase desenvolver un sistema experto baseado nos sinais wifi paira outro tipo de monitorizaciones, como a identificación de emocións (tristeza, alegría, enfado) ou o seguimento da respiración e os latexados cardíacos [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, non. 5, pp. 116-123, May 2018.
[2] I. Sobrón, J. Do 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. do 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, E. Liu, and J. Cao, “Non-invasive detection of moving and stationary human with WiFi,” en IEEE Journal on Selected Areas in Communications, vol. 33, non. 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, non. 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, non. 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, non. 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.
Babesleak
Eusko Jaurlaritzako Industria, Merkataritza eta Turismo Saila