Hoe kan AI ons achter muren zien?

Onlangs heeft een project dat radiogolven combineert met kunstmatige intelligentie (AI) onderzoekers een behoorlijk interessante toepassing opgeleverd, namelijk het monitoren van de botstructuur van mensen die zich over lange afstanden verplaatsen. Op het eerste gezicht denken veel mensen dat deze applicatie is gemaakt om de politie te ondersteunen bij het uitvoeren van invallen, maar in feite is deze effectief toegepast op medisch gebied: om de bewegingen van Parkinson-patiënten in hun eigen huis te monitoren.

Volgens Dina Katabi, een senior onderzoeker bij het project en hoogleraar elektrotechniek en computerwetenschappen aan het MIT, is dit soort technologie al tientallen jaren interessant in de wetenschappelijke gemeenschap. "Er was eens een groot project van DARPA, waarbij draadloze signalen werden gebruikt om mensen achter muren te identificeren", zei mevrouw Dina Katabi.

Maar dankzij de preciezere technologie van vandaag kunnen wetenschappers veel meer doen: deze technologie kan nauwkeurig de botstructuur beschrijven van mensen die worden gemonitord, evenals de tijd die ze besteden. Voer normale bewegingen uit, zoals lopen of zitten.

Deze technologie richt zich op het volgen van belangrijke punten van het lichaam, inclusief gewrichten zoals ellebogen, heupen en voeten. Wanneer de gevolgde persoon beweegt of bewegingen uitvoert, worden er dus ook beelden weergegeven die deze acties nauwkeurig beschrijven.

Hoe werkt deze technologie?

De radiosignalen die in deze technologie worden gebruikt, zijn vergelijkbaar met Wi-Fi-golven, maar veel zwakker dan Wi-Fi. In principe werkt dit systeem omdat deze radiogolven door objecten zoals een muur kunnen gaan. Vervolgens bereiken deze golven het menselijk lichaam, maar ze stuiteren onmiddellijk terug tegen de muur en bereiken de zendontvanger, omdat het menselijk lichaam veel van een stof bevat die het binnendringen van radiogolven verhindert: water. En nu ligt het probleem in de manier waarop de signalen die door de golven worden ontvangen, moeten worden uitgedrukt? En dit is waar de kracht van AI in het spel komt, met name hier een hulpmiddel voor machinaal leren dat een kunstmatige-intelligentienetwerk wordt genoemd .

Door de AI specifiek geannoteerde informatie te laten leren, trainen AI-onderzoekers een AI-netwerk dat uit de geleerde data zijn eigen regels kan afleiden. Dit proces wordt begeleid leren genoemd. Als je bijvoorbeeld een zelfrijdende auto wilt leren verkeerslichtsignalen te herkennen, laat de AI dan leren en vertrouwd raken met afbeeldingen die verband houden met verkeerslichtsignalen, samen met annotaties die de AI kan begrijpen. afbeeldingen vandaan?

Dit kunstmatige-intelligentienetwerk wordt vaak gebruikt om beeldgegevens te interpreteren, maar kan ook worden gebruikt om andere complexe taken uit te voeren, zoals vertalingen of zelfs het creëren van nieuwe tekst, door aangeleerde gegevens te imiteren.

Maar momenteel is er een probleem waarmee deze technologie wordt geconfronteerd, namelijk dat het moeilijk is om radiosignalen te verwerken en te identificeren die informatie over de structuur van het menselijk lichaam weerspiegelen. En de oplossing van wetenschappers is om radiogolven te combineren met camera's. De camera zal eerst beelden achter de muur vastleggen en vervolgens deze beelden annoteren, zodat het kunstmatige-intelligentienetwerk kan leren beelden te correleren met activiteit verkregen uit radiosignalen.

Na de trainingsperiode ontdekten de wetenschappers tot hun verrassing dat, ook al was het systeem alleen getraind met onbelemmerde beelden van mensen, het nog steeds in staat was mensen te detecteren die zich achter de schermen verborgen hielden. “Het kan de vorm van de persoon achter de muur zien en simuleren, ook al heeft het dat niet geleerd tijdens het trainingsproces”, vertelt mevrouw Dina Katabi.

Niet alleen dat, het kan zelfs verschillende mensen identificeren aan de hand van hun manier van lopen. Met behulp van een ander kunstmatige-intelligentienetwerk kan het systeem voorbeelden zien van mensen die lopen, en van daaruit kan het deze mensen herkennen aan hun manier van lopen, zelfs als ze zich achter muren bewegen, met een nauwkeurigheid van meer dan 83%.

Hoe zal deze technologie worden gebruikt?

Onderzoekers zijn het systeem gaan gebruiken in een kleine studie onder Parkinson-patiënten. Door deze apparaten bij patiënten thuis te plaatsen, kunnen onderzoekers de bewegingen van patiënten in een comfortabele ruimte volgen zonder gebruik van camera's. Dit is ook een manier om meer te weten te komen over iemands lichaamsbewegingen zonder de privacy zo veel in gevaar te brengen als bij traditionele video-opnamen. Dit onderzoek gold voor zeven personen en duurde acht weken.

De verkregen resultaten komen niet alleen zeer overeen met de normen die worden gebruikt om patiënten te evalueren, maar onthullen ook aanvullende informatie over de kwaliteit van leven van Parkinson-patiënten, zoals hun gedrag en status. De Michael J. Fox Foundation blijft dit onderzoek financieren om patiënten te helpen het ‘wittejassensyndroom’ te voorkomen. Dit is een fenomeen waarbij patiënten zich nerveus en bang voelen en ander gedrag vertonen als ze zien dat een arts in een witte jas hen onderzoekt.

Deze onderzoeken verminderen de zorgen over de privacy, maar betekenen niet dat ze zullen worden gebruikt zonder toestemming van de patiënt, zegt mevrouw Katabi.

Bekijk meer:

• 6 stappen om te beginnen met het leren programmeren van kunstmatige intelligentie (AI).
• Trivia over neurale netwerken, kunstmatige intelligentie en machinaal leren
• De kunstmatige intelligentie van Google ‘baart’ vanzelf en is in staat om door mensen geschreven software ver te overtreffen
• Kunstmatige intelligentie kan melanoom-huidkanker helpen opsporen