Možno ste to nevedeli, ale WiFi dáta sa dajú využiť na mnohé zaujímavé účely. Okrem základných informácií, ako je sila signálu, rýchlosť pripojenia alebo úroveň zabezpečenia, nám WiFi dáta môžu povedať aj veľa informácií o pripojenom objekte, napríklad pri identifikácii, koľko ľudí stojí v blízkosti konkrétneho prístupového bodu, napr. . V nedávno publikovanom výskumnom dokumente s názvom: „DeepCount: Crowd Counting with WiFi via Deep Learning“ – zhruba preložené: Odhadovanie počtu ľudí v dave prostredníctvom WiFi údajov, uverejnenom na webovej stránke Arxiv.org vedcom sa podarilo vyvinúť aktivitu AI. model rozpoznávania – DeepCount – ktorý pomáha odhadnúť počet ľudí v miestnosti z bezdrôtových údajov.
Táto práca prichádza krátko po tom, čo výskumníci z Ryerson University v Toronte oznámili neurónovú sieť, ktorá môže pomôcť určiť, či majiteľ smartfónu kráča, bicykluje alebo šoféruje. Po určitých častiach mesta pomocou WiFi dát, a zároveň ďalšiu štúdiu od Purdueho Univerzite sa tiež podarilo vyvinúť systém, ktorý využíva protokoly WiFi prístupu na analýzu vzťahov medzi používateľmi, ich polohami a aktivitami.
V tomto najnovšom výskume vedci využili informácie o stave kanála (CSI) - konkrétne fázu a amplitúdu - na vytvorenie systému dvoch modelov umelej inteligencie, vrátane modelu rozpoznávania aktivity a modelu hlbokého učenia. Úlohou modelu hlbokého učenia je posúdiť koreláciu medzi počtom ľudí a kanálmi mapovaním aktivít týchto ľudí do CSI, zatiaľ čo model rozpoznávania aktivít bude zodpovedný za zaznamenávanie informácií, keď niekto vstúpi alebo opustí miestnosť prostredníctvom „elektronického prepínač“. V prípadoch, keď dva modely zachytávajú rozdielne údaje – napríklad ak model rozpoznávania aktivít zaznamenáva vyšší počet ľudí ako model hlbokého učenia – DeepCount použije tento rozdiel na preškolenie modelu hlbokého učenia.
Okrem toho výskumníci tiež zostavili súbor údajov 800 vzoriek CSI od 10 dobrovoľníkov, ktorí sa podieľali na rôznych úlohách vrátane činností, ako je mávanie, písanie, sedenie. , chôdza, rozprávanie a jedenie (asi 80 % vzoriek v každej triedy boli použité na tréningové účely a zvyšok bol použitý ako testovacia súprava). Na trénovanie modelu rozpoznávania aktivity musia vedci najskôr spracovať údaje o amplitúde, aby odstránili šum a nežiaduce prvky, a potom extrahovať informácie o funkciách. Tréning modelu hlbokého učenia je podobný štádiu predspracovania, ale okrem amplitúdy sa vykonáva aj s fázovými údajmi.
DeepCount beží na notebooku s tromi prijímacími anténami upravenými tak, aby hlásili údaje o stave kanála, a sú tiež pripojené k smerovaču a dvom ďalším vysielacím anténam. Oba pracujú na frekvenčnom pásme 5 GHz, aby vytvorili dostatočne krátke vlnové dĺžky na zabezpečenie lepšieho rozlíšenia a zároveň minimalizovali možnosť rušenia nežiaducimi prvkami.
V vykonaných experimentoch tím uviedol, že tento model hlbokého učenia dosiahol až 86,4% presnosť s až 5 ľuďmi. Navyše, s preškolením vzoriek poskytnutých modelom rozpoznávania aktivity, dosiahol až 90% presnosť v predikčných situáciách.
„Náš prístup dokázal preukázať „prijateľnú“ presnosť AI pri určovaní počtu ľudí prostredníctvom údajov WiFi v kontexte zložitých environmentálnych zmien v dome. Teoreticky, ak dokážeme vziať do úvahy dostatok prípadov vnútorného prostredia a použiť ich ako šablóny na zostavenie robustného modelu vo väčšom meradle, môžeme túto technológiu úplne aplikovať pri určovaní počtu objektov a objektov v oveľa väčšom rozsahu, “ povedali vedci.