Wifi: com detectar la presència humana

El senyal wifi: a més de ser un sistema de comunicació, és un radar

Actualment podem trobar la connexió wifi en qualsevol lloc d'una ciutat. En una comunicació wifi, els dispositius wifi utilitzen ones electromagnètiques de radiofreqüència per a compartir dades. És a dir, quan baixem un vídeo de Youtube o enviem un correu electrònic, les ones invisibles de radiofreqüència que contenen informació realitzaran diferents desplaçaments entre el dispositiu electrònic (un ordinador, un mòbil, etc.) i l'antena de l'encaminador del nostre entorn. En aquest camí d'expansió, les ones que s'estenen per l'aire poden colpejar i travessar parets, persones o altres objectes de l'entorn. Els processos d'entablación i encreuament es denominen reflexions i refraccions. Normalment, cada procés de reflexió o refracció es representa amb un raig entre dispositius connectats. D'aquesta forma podem cridar a la col·lecció de tots els raigs com a canal de comunicació sense fil. El canal té gran importància en el nivell i qualitat del senyal wifi rebuda. Per això, si observem el senyal que arriba al receptor wifi, podrem extreure una gran informació sobre el canal de comunicació sense fil i per tant sobre l'entorn [1].

De fet, quan una persona es mou entre el transmissor i el receptor d'una comunicació wifi, es pot canviar el nivell del senyal wifi. Sobretot perquè és un obstacle la presència d'una persona en la difusió de les ones de ràdio, la qual cosa pot provocar canvis en el canal de comunicació sense fil. És a dir, cada nou raig pot produir canvis de potència en el senyal rebut. Per tant, si analitzéssim les incidències del nivell de senyal que es rep, podrem saber què ocorre entorn d'un encaminador. Entre altres, el nombre de persones que es troben en aquest entorn.

Quan una habitació estigui buida, el raig directe entre emissor i receptor serà el principal. Per això, el senyal que es rep normalment serà estable en el temps. No obstant això, quan algunes persones es desplacen dins de la sala, els raigs que modelen el senyal wifi variaran de direcció o intensitat en funció del nombre d'obstacles que es trobin. Per això, es poden investigar diferents característiques de senyal per a conèixer el canal sense fil. Per exemple, nivell de potència, fase i amplitud del senyal, freqüència Doppler, etc. L'anàlisi de com aquestes característiques varien en el temps ens permet valorar què és el que les ha provocat.

Figura . En una habitació es mostren tres situacions: una habitació buida, una amiga i dues amigues. En la part dreta es mostren els nivells reals de senyal que rep un receptor en cada estat durant 15 segons. En les imatges s'aprecia que quantes més persones es troben al voltant d'una comunicació wifi, més fluctuacions apareixen a nivell de senyal rebut.

Precisament, en el grup de recerca TSR Lab estem investigant com podem explotar els mesuraments del canal sense fil per a detectar la presència humana i quantificar el nombre de persones. Per a això, analitzem el comportament del canal utilitzant eines matemàtiques. Per exemple, l'estadística, la teoria de la informació, l'anàlisi de freqüències i l'anàlisi espectral són les eines més utilitzades. Els resultats obtinguts mitjançant l'anàlisi matemàtica s'utilitzen per a alimentar un sistema expert que compta el nombre de persones.

Intel·ligència artificial per a comptar el nombre de persones

En els últims anys la intel·ligència artificial està cada vegada més present en la nostra vida. Cada dia podem trobar exemples com a sistemes de reconeixement de veu, traductors automàtics o enviament d'anuncis personalitzats a usuaris d'Internet. Un sistema d'intel·ligència artificial és només un ordinador basat en l'observació i el raonament, capaç de comportar-se de manera humana. Per a això, els sistemes experts resolen un problema utilitzant algorismes matemàtics complexos (xarxes neuronals, xarxes bayesianes, algorismes bioinspirados) i lògica formal, basada en una sèrie de paràmetres que mesuren el medi ambient. Els sistemes normalment estudien l'estadística de l'observació, buscant la solució amb major probabilitat d'èxit per a afrontar un problema [2]. Per exemple, a un sistema expert basat en escacs se li introdueixen nombroses jugades d'escacs com a observació. Així, el sistema, a través de l'estadística, pot trobar el millor moviment i guanyar al campió mundial d'escacs.

Centrant-nos en la detecció de presència humana, el sistema expert proposat per nosaltres es basa en la capacitat de comptar a persones pròximes a la zona de cobertura del sistema de comunicacions wifi. En aquest cas, les observacions del sistema són senyals elèctrics recollits en l'antena del receptor, generades per les ones de ràdio que viatgen de l'emissor al receptor. Després d'aprendre matemàticament el comportament dels senyals, un sistema expert recull la informació recopilada i, utilitzant els coneixements adquirits, determina el nombre de persones que hi ha en un lloc. El grau d'èxit del sistema dependrà de la capacitat d'aprenentatge del sistema expert. I com s'aconsegueix que el sistema aprengui a percebre a les persones? Per a això hem de preparar el sistema perquè sàpiga l'aspecte dels senyals quan hi ha una, dos o més persones en un lloc.

Figura . Estructura del sistema expert de detecció de presència humana mitjançant senyal sense fil wifi [2].

Posem un simple exemple. Suposem que a un nen que no sap comptar li ensenyem diverses fotos en les quals apareixen dues o més persones i li ensenyem la diferència entre les que apareixen dues o més persones. Si li ensenyem una altra foto de dues persones al nen entrenat, segurament aquest nen el classificarà bé (hi ha dues opcions: a la foto apareixen dos o més persones). Realitzem un procediment similar a l'exemple donat amb el sistema expert, és a dir, li ensenyem quines són les principals característiques del senyal wifi quan en l'entorn estudiat hi ha entre zero i quatre persones. Amb aquest model d'aprenentatge, el sistema expert desenvolupat aconsegueix classificar a 0-4 persones en el mitjà, amb probabilitats mitjanes d'èxit del 87% i 84%, utilitzant xarxes neuronals [3] i màquines del vector de suport [2] (en anglès, Support-Vector Machine, SVM), respectivament.

Des del punt de vista de la recerca, una de les qüestions més importants és la fiabilitat del sistema. En aquest moment, el grau de fallada ve condicionat en gran manera per la capacitat de formació i aprenentatge del sistema expert. En definitiva, la diversitat d'entorns que podem trobar en el nostre camp fa que sigui necessari ajustar el sistema de percepció de la presència humana a diferents entorns. Per a això és necessari adoptar mesures prèvies per a cada entorn.

Aplicacions del sistema de detecció de presència humana

Taula . Matriu de mescles del sistema expert basat en algorismes SVM [2]. En la diagonal de la matriu apareixen els percentatges d'encerts en verd; fora de la diagonal apareixen els percentatges d'errors amb tons vermells. Els millors resultats serien aconseguir el 100% en diagonal i el 0% anés de la diagonal.

Com ja s'ha comentat, en aquesta època qualsevol pot trobar connexions wifi a les ciutats. Per això, el sistema proposat podria utilitzar-se en qualsevol lloc, amb una connexió wifi. És més, qualsevol sistema wifi està connectat a través d'Internet. Això significa que qualsevol persona pot accedir al seu sistema des de qualsevol lloc del món i, per tant, pot conèixer què ocorre a l'entorn del seu receptor wifi.

En aquest sentit, les principals aplicacions estan relacionades amb el monitoratge remot. Per exemple, el control de clients en botigues [4], la detecció d'entrades no autoritzades [5] o la cura de persones majors en llars tutelades [6]. No obstant això, a més de les aplicacions esmentades, es podria desenvolupar un sistema expert basat en els senyals wifi per a una altra mena de monitoratges, com la identificació d'emocions (tristesa, alegria, empipament) o el seguiment de la respiració i els batecs cardíacs [7][8].

Bibliografia