从 Wi-Fi 连接中我们已经可以了解到很多信息。最近,在预印服务器 Arxiv.org 上最新发表的一篇题为《深度计数:通过深度学习使用 WiFi 进行人群计数》的研究论文中,研究人员描述了一个人工智能活动识别模型——深度计数(DeepCount)——可以通过无线数据推断一个房间里有多少人。
多伦多瑞尔森大学的研究人员曾研发一种神经网络,通过使用无线数据,可以确定智能手机用户是在走路、骑自行车还是在开车。普渡大学研究人员开发的一种系统,能使用无线访问日志检索出用户之间的关系、地点和活动。
深度计数模型是基于上述两项研究而创建的。在这项最新研究中,研究小组利用信道状态信息(CSI),特别是相位和振幅,创建了一个由活动识别模型和深度学习模型组成的双模型系统。深度学习模型的任务是通过将人的活动映射到 CSI,将人的数量和通道关联起来,而活动识别模型通过电子开关识别人进入或离开房间。如果两种模型的总体数量不一致,例如,活动识别模型记录的数量高于深度学习模型,深度计数就会利用这种差异对深度学习模型进行再培训。
研究人员收集了来自 10 名志愿者的 800 份 CSI 样本,这些志愿者参与了一系列任务,包括挥手、打字、坐下、走路、说话和吃饭。(每个组约 80%的样本用于训练,其余样本作为测试集。)为了训练活动识别模型,他们首先对振幅数据进行预处理,去除不需要的噪声和干扰,然后提取特征信息。深度学习模型的训练也类似地涉及预处理,但除了振幅之外还包括相位数据。
深度计数运行在一台笔记本电脑上,通过修改三个接收天线来报告信道状态数据,同时连接到一个带有两个发射天线的路由器上。研究人员说,这两种仪器都在 5GHz 频段上工作,目的是“使波长足够短,以确保更好的分辨率”,并减少干扰的可能性。
研究人员在论文报告说,在实验中,深度学习模型在最多 5 个人的情况下达到了 86.4%的准确率,通过对活动识别模型提供的样本进行再培训,它成功地达到了 90%的预测准确率。
“我们的方法可以在室内环境复杂变化的背景下显示出可接受的准确性,这意味着它工作相当稳健。”研究人员写道,“从理论上讲,如果我们能充分考虑室内环境,并使用这些环境作为样本来构建一个鲁棒模型,我们就能在相同的环境中重用该模型。”
【数字叙事 黎雾】