KI nutzt WLAN-Daten, um die Anzahl der Personen in einem Raum zu schätzen

Sie wissen es vielleicht nicht, aber WLAN-Daten können für viele interessante Zwecke genutzt werden. Neben grundlegenden Informationen wie Signalstärke, Verbindungsgeschwindigkeit oder Sicherheitsstufe können uns WLAN-Daten auch viele Informationen über das verbundene Objekt liefern, beispielsweise um zu erkennen, wie viele Personen sich in der Nähe eines bestimmten Zugangspunkts aufhalten . In einem kürzlich veröffentlichten Forschungspapier mit dem Titel: „DeepCount: Crowd Counting with WiFi via Deep Learning“ – grob übersetzt: Schätzung der Anzahl der Menschen in einer Menschenmenge anhand von WiFi-Daten – veröffentlicht auf der Website Arxiv.org ist es Wissenschaftlern gelungen, eine KI-Aktivität zu entwickeln Erkennungsmodell – DeepCount – das dabei hilft, die Anzahl der Personen in einem Raum anhand von drahtlosen Daten abzuschätzen.

• 91 % der Technologiemanager glauben, dass KI das Herzstück der nächsten Technologierevolution sein wird

Diese Arbeit kommt nicht lange, nachdem Forscher der Ryerson University in Toronto ein neuronales Netzwerk angekündigt haben, das mithilfe von WLAN-Daten feststellen kann, ob ein Smartphone-Besitzer zu Fuß, mit dem Fahrrad oder mit dem Auto durch bestimmte Bereiche der Stadt fährt, und gleichzeitig eine weitere Studie von Purdue Der Universität gelang es außerdem, ein System zu entwickeln, das WLAN-Zugriffsprotokolle verwendet, um die Beziehungsbeziehungen zwischen Benutzern, ihren Standorten und ihren Aktivitäten zu analysieren.

In dieser neuesten Forschung nutzten Wissenschaftler die Channel State Information (CSI) – insbesondere Phase und Amplitude –, um ein System aus zwei Modellen der künstlichen Intelligenz zu erstellen, darunter ein Aktivitätserkennungsmodell und ein Deep-Learning-Modell. Das Deep-Learning-Modell hat die Aufgabe, die Korrelation zwischen der Anzahl der Personen und Kanälen zu bewerten, indem es die Aktivitäten dieser Personen dem CSI zuordnet, während das Aktivitätserkennungsmodell für die Aufzeichnung von Informationen verantwortlich ist, wenn jemand den Raum über eine „elektronische“ Schnittstelle betritt oder verlässt schalten". In Fällen, in denen zwei Modelle unterschiedliche Daten erfassen – beispielsweise wenn das Aktivitätserkennungsmodell eine größere Anzahl von Personen erfasst als das Deep-Learning-Modell – verwendet DeepCount diesen Unterschied, um das Deep-Learning-Modell neu zu trainieren.

• McAfee-Experte erklärt, wie Deepfake und KI die Mauern der Cybersicherheit durchbrechen

Darüber hinaus stellten die Forscher einen Datensatz mit 800 CSI-Proben von 10 Freiwilligen zusammen, die an verschiedenen Aufgaben teilnahmen, darunter Aktivitäten wie Winken, Tippen, Sitzen, Gehen, Sprechen und Essen (jeweils etwa 80 % der Proben). Die Klassen wurden zu Schulungszwecken und der Rest als Testsatz verwendet. Um ein Aktivitätserkennungsmodell zu trainieren, müssen Wissenschaftler zunächst Amplitudendaten verarbeiten, um Rauschen und unerwünschte Elemente zu entfernen, und dann Merkmalsinformationen extrahieren. Das Training des Deep-Learning-Modells ähnelt der Vorverarbeitungsphase, wird jedoch zusätzlich zur Amplitude auch mit Phasendaten durchgeführt.

DeepCount läuft auf einem Laptop mit drei Empfangsantennen, die so modifiziert sind, dass sie Kanalstatusdaten melden, und sie sind außerdem mit einem Router und zwei weiteren Sendeantennen verbunden. Beide arbeiten im 5-GHz-Frequenzband, um Wellenlängen zu erzeugen, die kurz genug sind, um eine bessere Auflösung zu gewährleisten und gleichzeitig die Möglichkeit von Störungen durch unerwünschte Elemente zu minimieren.

• Google und DeepMind nutzen KI, um die Leistung von Windparks vorherzusagen

In den durchgeführten Experimenten berichtete das Team, dass dieses Deep-Learning-Modell mit bis zu 5 Personen eine Genauigkeit von bis zu 86,4 % erreichte. Darüber hinaus wurde durch die Neuschulung der vom Aktivitätserkennungsmodell bereitgestellten Proben eine Genauigkeit von bis zu 90 % in Vorhersagesituationen erreicht.

„Unser Ansatz konnte eine „akzeptable“ Genauigkeit der KI bei der Bestimmung der Personenzahl anhand von WLAN-Daten im Kontext komplexer Umweltveränderungen innerhalb eines Hauses nachweisen. Wenn wir theoretisch genügend Fälle der Innenumgebung berücksichtigen und sie als Vorlagen verwenden können, um ein robustes Modell in größerem Maßstab zu erstellen, können wir diese Technologie vollständig zur Bestimmung der Anzahl von Objekten und Objekten in einem viel größeren Bereich anwenden. " sagten Wissenschaftler.