Być może nie wiesz, ale dane Wi-Fi można wykorzystać do wielu interesujących celów. Oprócz podstawowych informacji, takich jak siła sygnału, prędkość połączenia czy poziom bezpieczeństwa, dane Wi-Fi mogą nam również przekazać wiele informacji na temat podłączonego obiektu, na przykład w celu identyfikacji, zobaczyć, ile osób stoi w pobliżu konkretnego punktu dostępu, np. . W niedawno opublikowanym artykule badawczym zatytułowanym: „DeepCount: Crowd Counting with WiFi via Deep Learning” – w przybliżeniu przetłumaczonym: Szacowanie liczby osób w tłumie za pomocą danych Wi-Fi, opublikowanym na stronie Arxiv.org naukowcom udało się opracować działanie sztucznej inteligencji model rozpoznawania – DeepCount – który pomaga oszacować liczbę osób w pomieszczeniu na podstawie bezprzewodowej transmisji danych.

Praca ta pojawiła się niedługo po ogłoszeniu przez naukowców z Uniwersytetu Ryerson w Toronto sieci neuronowej, która może pomóc określić, czy właściciel smartfona chodzi, jeździ na rowerze czy samochodem w określonych obszarach miasta, korzystając z transmisji danych Wi-Fi, a jednocześnie wynika z innego badania przeprowadzonego przez Purdue Uniwersytetowi udało się również opracować system wykorzystujący dzienniki dostępu do sieci Wi-Fi do analizy relacji między użytkownikami, ich lokalizacjami i działaniami.
W ramach najnowszych badań naukowcy wykorzystali informacje o stanie kanału (CSI), w szczególności fazę i amplitudę, do stworzenia systemu dwóch modeli sztucznej inteligencji, obejmującego model rozpoznawania aktywności i model głębokiego uczenia się. Model głębokiego uczenia się ma za zadanie ocenić korelację pomiędzy liczbą osób i kanałów poprzez mapowanie działań tych osób na CSI, natomiast model rozpoznawania aktywności będzie odpowiadał za rejestrowanie informacji, gdy ktoś wejdzie lub wyjdzie z pomieszczenia za pośrednictwem „elektronicznego przełącznik". W przypadkach, gdy dwa modele przechwytują różne dane – na przykład, jeśli model rozpoznawania aktywności rejestruje większą liczbę osób niż model głębokiego uczenia się – DeepCount wykorzysta tę różnicę do ponownego szkolenia modelu głębokiego uczenia się.
Ponadto badacze zebrali także zbiór danych obejmujący 800 próbek CSI od 10 ochotników wykonujących różne zadania, w tym takie czynności, jak machanie, pisanie na klawiaturze, siadanie, chodzenie, mówienie i jedzenie (około 80% próbek w każdym klasy wykorzystano do celów szkoleniowych, a resztę wykorzystano jako zbiór testowy). Aby wytrenować model rozpoznawania aktywności, naukowcy muszą najpierw przetworzyć dane dotyczące amplitudy w celu usunięcia szumu i niepożądanych elementów, a następnie wyodrębnić informacje o cechach. Uczenie modelu głębokiego uczenia się jest podobne do etapu przetwarzania wstępnego, ale oprócz amplitudy odbywa się z wykorzystaniem danych fazowych.
DeepCount działa na laptopie z trzema antenami odbiorczymi, zmodyfikowanymi w celu raportowania danych o stanie kanału, a także są one podłączone do routera i dwóch innych anten nadawczych. Obydwa działają w paśmie częstotliwości 5 GHz, tworząc długości fal wystarczająco krótkie, aby zapewnić lepszą rozdzielczość, a jednocześnie zminimalizować możliwość zakłóceń ze strony niepożądanych elementów.
W przeprowadzonych eksperymentach zespół podał, że ten model głębokiego uczenia się osiągnął dokładność do 86,4% w przypadku maksymalnie 5 osób. Dodatkowo, dzięki przeszkoleniu próbek zapewnianemu przez model rozpoznawania aktywności, osiągnął on dokładność przewidywania do 90%.
„Nasze podejście pozwoliło wykazać „akceptowalną” dokładność sztucznej inteligencji w określaniu liczby osób za pomocą danych Wi-Fi w kontekście złożonych zmian środowiskowych w domu. Teoretycznie, jeśli uda nam się wziąć pod uwagę wystarczającą liczbę przypadków środowiska wewnętrznego i wykorzystać je jako szablony do zbudowania solidnego modelu na większą skalę, możemy całkowicie zastosować tę technologię do określania liczby obiektów i obiektów w znacznie większym zakresie, „- stwierdzili naukowcy.

