Vi lever i en värld av trådlösa signaler som flödar runt oss och studsar av våra kroppar. MIT-forskare utnyttjar nu dessa signalreflektioner för att ge forskare och vårdgivare värdefulla insikter om människors beteende och hälsa.

Systemet, heter Marko, sänder en lågeffekts radiofrekvenssignal (RF) till en miljö. Signalen kommer att återvända till systemet med vissa förändringar om den har studsat av en rörlig människa. Nya algoritmer analyserar sedan dessa förändrade reflektioner och associerar dem med specifika individer.

Systemet spårar sedan varje individs rörelse runt en digital planlösning. Att matcha dessa rörelsemönster med annan data kan ge insikter om hur människor interagerar med varandra och omgivningen.

I ett dokument som presenterades vid konferensen om mänskliga faktorer i datorsystem denna vecka, forskarna beskriver systemet och dess användning i verkliga världen på sex platser:två hemtjänstinrättningar, tre lägenheter bebodda av par, och ett radhus med fyra boende. Fallstudierna visade systemets förmåga att särskilja individer enbart baserat på trådlösa signaler – och avslöjade några användbara beteendemönster.

I en stödboende, med tillstånd från patientens familj och vårdgivare, forskarna övervakade en patient med demens som ofta blev upprörd av okänd anledning. Över en månad, de mätte patientens ökade pacing mellan områden på sin enhet – ett känt tecken på agitation. Genom att matcha ökad takt med besöksloggen, de fastställde att patienten var mer upprörd under dagarna efter familjebesök. Detta visar att Marko kan tillhandahålla en ny, passivt sätt att spåra funktionella hälsoprofiler för patienter hemma, säger forskarna.

"Det här är intressanta bitar som vi upptäckt genom data, " säger första författaren Chen-Yu Hsu, en Ph.D. student vid datavetenskap och artificiell intelligens Laboratory (CSAIL). "Vi lever i ett hav av trådlösa signaler, och sättet vi rör oss och går runt förändrar dessa reflektioner. Vi utvecklade systemet som lyssnar på dessa reflektioner ... för att bättre förstå människors beteende och hälsa."

Forskningen leds av Dina Katabi, Andrew och Erna Viterbi professor i elektroteknik och datavetenskap och chef för MIT Center for Wireless Networks and Mobile Computing (Wireless@MIT). Med Katabi och Hsu på tidningen är CSAIL-studenterna Mingmin Zhao och Guang-He Lee och alumnen Rumen Hristov SM '16.

Förutsäga "tracklets" och identiteter

När utplacerad i ett hem, Marko skjuter ut en RF-signal. När signalen återhämtar sig, det skapar en typ av värmekarta skuren i vertikala och horisontella "ramar, " som indikerar var människor befinner sig i ett tredimensionellt utrymme. Människor visas som ljusa klumpar på kartan. Vertikala ramar fångar personens längd och byggnad, medan horisontella ramar bestämmer deras allmänna placering. När individer går, systemet analyserar RF-ramarna – cirka 30 per sekund – för att generera korta banor, kallas tracklets.

Ett konvolutionellt neuralt nätverk - en maskininlärningsmodell som vanligtvis används för bildbehandling - använder dessa spår för att separera reflektioner från vissa individer. För varje individ känner den, systemet skapar två "filtreringsmasker, " som är små cirklar runt individen. Dessa masker filtrerar i princip bort alla signaler utanför cirkeln, som låser in individens bana och höjd när de rör sig. Att kombinera all denna information – höjd, bygga, och rörelse—nätverket associerar specifika RF-reflektioner med specifika individer.

Men för att tagga identiteter till de där anonyma klumparna, systemet måste först "tränas". Några dagar, individer bär lågeffekts accelerometersensorer, som kan användas för att märka de reflekterade radiosignalerna med deras respektive identiteter. När de utplaceras i utbildning, Marko genererar först användarnas tracklets, som det gör i praktiken. Sedan, en algoritm korrelerar vissa accelerationsegenskaper med rörelseegenskaper. När användare går, till exempel, accelerationen svänger i steg, men blir en platt linje när de stannar. Algoritmen hittar den bästa matchningen mellan accelerationsdata och tracklet, och etiketter som spårar med användarens identitet. Genom att göra så, Marko lär sig vilka reflekterade signaler som korrelerar med specifika identiteter.

Sensorerna behöver aldrig laddas, och, efter träning, individerna behöver inte bära dem igen. I heminstallationer, Marko kunde tagga identiteter på individer i nya hem med mellan 85 och 95 procents noggrannhet.

Att uppnå en bra balans (datainsamling).

Forskarna hoppas att vårdinrättningar kommer att använda Marko för att passivt övervaka, säga, hur patienter interagerar med familj och vårdgivare, och om patienter får mediciner i tid. I en hemtjänst, till exempel, forskarna noterade specifika gånger en sjuksköterska skulle gå till ett medicinskåp i en patients rum och sedan till patientens säng. Det tydde på att sjuksköterskan hade vid de specifika tidpunkterna, administrerade patientens medicin.

Systemet kan också ersätta frågeformulär och dagböcker som för närvarande används av psykologer eller beteendevetare för att fånga data om deras studieobjekts familjedynamik, dagliga scheman, eller sömnmönster, bland annat beteende. Dessa traditionella inspelningsmetoder kan vara felaktiga, innehålla partiskhet, och är inte väl lämpade för långtidsstudier, där människor kanske måste komma ihåg vad de gjorde för dagar eller veckor sedan. Vissa forskare har börjat utrusta människor med bärbara sensorer för att övervaka rörelser och biometri. Men äldre patienter, framförallt, glömmer ofta att bära eller ladda dem. "Motivationen här är att designa bättre verktyg för forskare, " säger Hsu.

Varför inte bara installera kameror? Till att börja, detta skulle kräva att någon tittar på och manuellt registrerar all nödvändig information. Marko, å andra sidan, taggar automatiskt beteendemönster – som rörelse, sömn, och interaktion – till specifika områden, dagar, och tider.

Också, videon är bara mer invasiv, Hsu tillägger:"De flesta människor är inte så bekväma med att bli filmade hela tiden, speciellt i sitt eget hem. Att använda radiosignaler för att göra allt detta ger en bra balans mellan att få en viss nivå av användbar information, men inte få folk att känna sig obekväma."

Katabi och hennes elever planerar också att kombinera Marko med deras tidigare arbete med att härleda andning och hjärtfrekvens från de omgivande radiosignalerna. Marko kommer sedan att användas för att associera dessa biometriska uppgifter med motsvarande individer. Det kan också spåra människors gånghastigheter, vilket är en bra indikator på funktionell hälsa hos äldre patienter.

"Potentialen här är enorm, säger Cecilia Mascolo, professor i mobila system vid institutionen för datavetenskap och teknologi vid Cambridge University. "När det gäller avbildning genom kameror, det erbjuder en mindre datarik och mer målinriktad modell för att samla in information, vilket är mycket välkommet ur användarens integritetsperspektiv. De insamlade uppgifterna, dock, är fortfarande mycket rik, och pappersutvärderingen visar noggrannhet som kan möjliggöra ett antal mycket användbara tillämpningar, till exempel inom äldreomsorgen, medicinsk följsamhetsövervakning, eller till och med sjukhusvård."

"Än, som en gemenskap, vi måste vara medvetna om de integritetsrisker som denna typ av teknik medför, " tillägger Mascolo. Vissa beräkningstekniker, hon säger, bör övervägas för att säkerställa att uppgifterna förblir privata.

Den här historien återpubliceras med tillstånd av MIT News (web.mit.edu/newsoffice/), en populär webbplats som täcker nyheter om MIT-forskning, innovation och undervisning.