ИИ использует данные Wi-Fi для оценки количества людей в комнате

Возможно, вы этого не знаете, но данные Wi-Fi можно использовать для многих интересных целей. В дополнение к базовой информации, такой как уровень сигнала, скорость соединения или уровень безопасности, данные Wi-Fi также могут сообщить нам много информации о подключенном объекте, например, при определении количества людей, стоящих рядом с определенной точкой доступа, например . В недавно опубликованной исследовательской работе под названием «DeepCount: подсчет толпы с помощью Wi-Fi посредством глубокого обучения» (грубый перевод: Оценка количества людей в толпе с помощью данных Wi-Fi), размещенной на веб-сайте Arxiv.org, ученым удалось разработать деятельность с использованием искусственного интеллекта. модель распознавания — DeepCount — которая помогает оценить количество людей в комнате по беспроводным данным.

• 91% технологических менеджеров считают, что искусственный интеллект станет основой следующей технологической революции.

Эта работа появилась вскоре после того, как исследователи из Университета Райерсона в Торонто объявили о создании нейронной сети, которая может помочь определить, ходит ли владелец смартфона пешком, ездит на велосипеде или водит машину по определенным районам города, используя данные Wi-Fi, и в то же время еще одно исследование Purdue Университету также удалось разработать систему, которая использует журналы доступа к Wi-Fi для анализа взаимоотношений между пользователями, их местонахождением и их действиями.

В этом последнем исследовании ученые воспользовались информацией о состоянии канала (CSI), в частности фазой и амплитудой, для создания системы из двух моделей искусственного интеллекта, включая модель распознавания активности и модель глубокого обучения. Перед моделью глубокого обучения стоит задача оценить корреляцию между количеством людей и каналами путем сопоставления деятельности этих людей с CSI, а модель распознавания активности будет отвечать за запись информации, когда кто-то входит или выходит из комнаты через «электронный компьютер». выключатель". В тех случаях, когда две модели собирают разные данные (например, если модель распознавания активности фиксирует большее количество людей, чем модель глубокого обучения), DeepCount будет использовать эту разницу для переобучения модели глубокого обучения.

• Эксперт McAfee объясняет, как дипфейк и искусственный интеллект преодолевают стены кибербезопасности

Кроме того, исследователи также собрали набор данных из 800 образцов CSI от 10 добровольцев, участвовавших в различных задачах, включая такие действия, как махание руками, набор текста, сидение, ходьба, разговор и прием пищи (около 80% образцов в каждом class использовались в учебных целях, а остальные использовались в качестве тестового набора). Чтобы обучить модель распознавания активности, ученые должны сначала обработать данные амплитуды, чтобы удалить шум и нежелательные элементы, а затем извлечь информацию о признаках. Обучение модели глубокого обучения аналогично этапу предварительной обработки, но помимо амплитуды выполняется с использованием фазовых данных.

DeepCount работает на ноутбуке с тремя приемными антеннами, модифицированными для передачи данных о состоянии канала, они также подключены к маршрутизатору и двум другим передающим антеннам. Оба работают в диапазоне частот 5 ГГц, создавая достаточно короткие длины волн для обеспечения лучшего разрешения и в то же время минимизируя возможность помех от нежелательных элементов.

• Google и DeepMind применяют ИИ для прогнозирования мощности ветряных электростанций

В ходе проведенных экспериментов команда сообщила, что эта модель глубокого обучения достигла точности до 86,4% при участии до 5 человек. Кроме того, благодаря переобучению выборок, предусмотренному моделью распознавания активности, точность прогнозирования ситуаций достигла 90%.

«Наш подход смог продемонстрировать «приемлемую» точность ИИ в определении количества людей с помощью данных Wi-Fi в контексте сложных изменений окружающей среды внутри дома. Теоретически, если мы сможем принять во внимание достаточное количество случаев внутренней среды и использовать их в качестве шаблонов для построения надежной модели в более крупном масштабе, мы сможем полностью применить эту технологию для определения количества объектов и объектов в гораздо большем диапазоне. ", - заявили ученые.