AI gebruikt wifi-data om te schatten hoeveel mensen er in een kamer zijn

Een kunstmatige intelligentie (AI) genaamd DeepCount kan schatten hoeveel mensen er in een kamer zijn op basis van wifi-gegevens. Dat staat in een nieuw gepubliceerd onderzoek, meldt VentureBeat.

Het werk komt niet lang nadat onderzoekers van de Ryerson University in Toronto een neuraal netwerk demonstreerden, dat kan vaststellen of smartphone-eigenaren in een gebied lopen, fietsen of rondrijden door wifi-data te gebruiken. Ook ontwikkelden onderzoekers van Purdue University onlangs een systeem dat wifi access logs gebruikt om relaties tussen gebruikers, locaties en activiteiten te bepalen.

Het nieuwste onderzoek gebruikte channel state information (CSI) – specifiek fases en amplitude – om een twee-model-systeem te maken dat bestaat uit een model om activiteit te herkennen en een deep learning-model. Het deep learning-model had de taak om het aantal mensen en de kanalen te correleren, door de activiteiten van die mensen in kaart te brengen voor CSI. Het andere model herkende het als iemand de kamer binnenkwam of verliet via een elektronische switch.

Waren de twee modellen het niet eens over het aantal mensen in een kamer, dan gebruikte DeepCount de tegenstrijdigheid om het deep learning-model opnieuw te trainen.

Training

De onderzoekers verzamelden een dataset van 800 CSI-samples van tien vrijwilligers die een reeks taken uitvoerden, zoals zwaaien, typen, zitten, lopen, praten en eten. Om het model dat activiteiten moet herkennen te trainen, verwerkten ze eerst amplitude-data om ongewenste geluiden en onderbrekingen er uit te filteren. Het trainen van het deep learning-model ging op vergelijkbare manier, maar dan met fase-data en amplitude-data.

DeepCount draaide op een laptop met drie ontvangstantennes die aangepast waren om channel state-data te melden, dat verbonden was met een router met twee uitzendende antennes. Beide opereerden op een 5GHz-frequentie om de golflengte kort genoeg te maken om een goede resolutie te creëren.

De auteurs schrijven verder dat het deep learning-model een accuraatheid van 86,5 procent behaalde met maximaal vijf mensen. Door het model opnieuw te trainen met monsters van het andere model, wist het een voorspellingsnauwkeurigheid van 90 procent te bereiken.