Nous vivons dans un monde de signaux sans fil qui circulent autour de nous et rebondissent sur notre corps. Les chercheurs du MIT exploitent désormais ces réflexions de signaux pour fournir aux scientifiques et aux soignants des informations précieuses sur le comportement et la santé des gens.

Le système, appelé Marko, transmet un signal radiofréquence (RF) de faible puissance dans un environnement. Le signal reviendra au système avec certains changements s'il a rebondi sur un humain en mouvement. De nouveaux algorithmes analysent ensuite ces réflexions modifiées et les associent à des individus spécifiques.

Le système trace ensuite le mouvement de chaque individu autour d'un plan d'étage numérique. La mise en correspondance de ces schémas de mouvement avec d'autres données peut fournir des informations sur la façon dont les gens interagissent les uns avec les autres et avec l'environnement.

Dans un article présenté cette semaine à la Conférence sur les facteurs humains dans les systèmes informatiques, les chercheurs décrivent le système et son utilisation dans le monde réel dans six endroits :deux résidences-services, trois appartements habités par des couples, et une maison de ville avec quatre résidents. Les études de cas ont démontré la capacité du système à distinguer les individus uniquement sur la base de signaux sans fil et ont révélé des modèles de comportement utiles.

Dans une résidence-services, avec l'autorisation de la famille du patient et des soignants, les chercheurs ont suivi un patient atteint de démence qui devenait souvent agité pour des raisons inconnues. Plus d'un mois, ils ont mesuré le rythme accru du patient entre les zones de leur unité, un signe connu d'agitation. En faisant correspondre le rythme accru avec le journal des visiteurs, ils ont déterminé que le patient était plus agité pendant les jours suivant les visites familiales. Cela montre que Marko peut fournir un nouveau, manière passive de suivre les profils de santé fonctionnelle des patients à domicile, disent les chercheurs.

"Ce sont des éléments intéressants que nous avons découverts grâce aux données, " dit le premier auteur Chen-Yu Hsu, un doctorat étudiant au Laboratoire d'Informatique et Intelligence Artificielle (CSAIL). "Nous vivons dans une mer de signaux sans fil, et la façon dont nous nous déplaçons et marchons modifie ces réflexions. Nous avons développé le système qui écoute ces réflexions… pour mieux comprendre le comportement et la santé des gens."

La recherche est dirigée par Dina Katabi, Andrew et Erna Viterbi, professeur de génie électrique et d'informatique et directeur du MIT Center for Wireless Networks and Mobile Computing (Wireless@MIT). Les étudiants diplômés de CSAIL Mingmin Zhao et Guang-He Lee et l'ancien élève Rumen Hristov SM '16 se joignent à Katabi et Hsu sur le papier.

Prédire les « tracklets » et les identités

Lorsqu'il est déployé dans une maison, Marko envoie un signal RF. Quand le signal rebondit, il crée une sorte de carte thermique découpée en "cadres" verticaux et horizontaux, " qui indique où se trouvent les personnes dans un espace tridimensionnel. Les personnes apparaissent sous forme de taches lumineuses sur la carte. Les cadres verticaux capturent la taille et la constitution de la personne, tandis que les cadres horizontaux déterminent leur emplacement général. Pendant que les individus marchent, le système analyse les trames RF - environ 30 par seconde - pour générer des trajectoires courtes, appelés tracklets.

Un réseau de neurones convolutifs - un modèle d'apprentissage automatique couramment utilisé pour le traitement d'images - utilise ces tracklets pour séparer les réflexions de certains individus. Pour chaque individu qu'il sent, le système crée deux "masques filtrants, " qui sont de petits cercles autour de l'individu. Ces masques filtrent essentiellement tous les signaux en dehors du cercle, qui verrouille la trajectoire et la hauteur de l'individu lorsqu'il se déplace. Combinant toutes ces informations-hauteur, construire, et mouvement :le réseau associe des réflexions RF spécifiques à des individus spécifiques.

Mais pour marquer les identités de ces blobs anonymes, le système doit d'abord être "formé". Pour quelques jours, les individus portent des capteurs accéléromètres de faible puissance, qui peuvent être utilisés pour étiqueter les signaux radio réfléchis avec leurs identités respectives. Lorsqu'il est déployé en formation, Marko génère d'abord les tracklets des utilisateurs, comme il le fait dans la pratique. Puis, un algorithme corrèle certaines caractéristiques d'accélération avec des caractéristiques de mouvement. Lorsque les utilisateurs marchent, par exemple, l'accélération oscille par pas, mais devient une ligne plate quand ils s'arrêtent. L'algorithme trouve la meilleure correspondance entre les données d'accélération et tracklet, et les étiquettes qui tracklet avec l'identité de l'utilisateur. Ce faisant, Marko apprend quels signaux réfléchis sont en corrélation avec des identités spécifiques.

Les capteurs n'ont jamais besoin d'être chargés, et, Après l'entrainement, les individus n'ont pas besoin de les porter à nouveau. Dans les déploiements à domicile, Marko a pu marquer les identités des personnes dans les nouvelles maisons avec une précision comprise entre 85 et 95 %.

Trouver un bon équilibre (collecte de données)

Les chercheurs espèrent que les établissements de santé utiliseront Marko pour surveiller passivement, dire, comment les patients interagissent avec la famille et les soignants, et si les patients reçoivent leurs médicaments à temps. Dans une résidence-services, par exemple, les chercheurs ont noté des moments précis où une infirmière se rendait à une armoire à pharmacie dans la chambre d'un patient, puis au lit du patient. Cela indiquait que l'infirmière avait, à ces moments précis, administré les médicaments du patient.

Le système peut également remplacer les questionnaires et les journaux actuellement utilisés par les psychologues ou les spécialistes des sciences du comportement pour saisir des données sur la dynamique familiale de leurs sujets d'étude, horaires quotidiens, ou les habitudes de sommeil, entre autres comportements. Ces méthodes d'enregistrement traditionnelles peuvent être inexactes, contenir des biais, et ne sont pas bien adaptés aux études à long terme, où les gens peuvent avoir à se rappeler ce qu'ils ont fait il y a des jours ou des semaines. Certains chercheurs ont commencé à équiper les gens de capteurs portables pour surveiller les mouvements et la biométrie. Mais les patients âgés, surtout, oublient souvent de les porter ou de les charger. "La motivation ici est de concevoir de meilleurs outils pour les chercheurs, " dit Hsu.

Pourquoi ne pas simplement installer des caméras ? Pour commencer, cela nécessiterait que quelqu'un surveille et enregistre manuellement toutes les informations nécessaires. Marko, d'autre part, balise automatiquement les modèles de comportement, tels que le mouvement, dormir, et l'interaction—à des domaines spécifiques, jours, et les temps.

Aussi, la vidéo est juste plus invasive, Hsu ajoute :« La plupart des gens ne sont pas à l'aise d'être filmés tout le temps, surtout chez eux. L'utilisation de signaux radio pour faire tout ce travail établit un bon équilibre entre obtenir un certain niveau d'informations utiles, mais sans mettre les gens mal à l'aise."

Katabi et ses étudiants prévoient également de combiner Marko avec leurs travaux antérieurs sur la déduction de la respiration et de la fréquence cardiaque à partir des signaux radio environnants. Marko sera ensuite utilisé pour associer ces données biométriques aux individus correspondants. Il pourrait également suivre les vitesses de marche des gens, qui est un bon indicateur de la santé fonctionnelle chez les patients âgés.

« Le potentiel ici est immense, " dit Cécilia Mascolo, professeur de systèmes mobiles au Département d'informatique et de technologie de l'Université de Cambridge. « En ce qui concerne l'imagerie par caméras, il offre un modèle de collecte d'informations moins riche en données et plus ciblé, ce qui est très apprécié du point de vue de la confidentialité des utilisateurs. Les données collectées, cependant, est encore très riche, et l'évaluation du papier montre une précision qui peut permettre un certain nombre d'applications très utiles, par exemple dans les soins aux personnes âgées, suivi de l'observance médicale, ou même des soins hospitaliers."

"Encore, en tant que communauté, nous devons être conscients des risques pour la vie privée que ce type de technologie entraîne, " ajoute Mascolo. Certaines techniques de calcul, elle dit, doit être envisagée pour garantir que les données restent privées.

Cette histoire est republiée avec l'aimable autorisation de MIT News (web.mit.edu/newsoffice/), un site populaire qui couvre l'actualité de la recherche du MIT, innovation et enseignement.