无线运动跟踪系统可以收集健康和行为数据

我们生活在一个无线信号的世界里，在我们身边流淌，从我们的身体中蹦出来。麻省理工学院的研究人员正在利用这些信号反射为科学家和护理人员提供有关人们行为和健康的宝贵见解。

该系统称为Marko，将低功率射频(RF)信号发送到环境中。如果信号从移动的人体反弹，信号将返回系统并进行某些更改。然后，新算法分析这些改变的反射并将它们与特定个体相关联。

然后，系统跟踪每个人围绕数字平面图的移动。将这些运动模式与其他数据相匹配可以提供关于人们如何彼此交互和环境的见解。

在本周在计算系统人类因素会议上发表的一篇论文中，研究人员在六个地点描述了该系统及其实际使用情况：两个辅助生活设施，三个公寓居住的公寓和一个有四个居民的联排别墅。该案例展示了系统的区分仅基于无线个人能力的信号，并透露了一些有用的行为模式。

在一个辅助生活设施中，经过患者家属和护理人员的许可，研究人员对患有痴呆症的患者进行了监测，这些患者经常因为不明原因而烦躁不安。一个多月后，他们测量了患者在其单位区域之间增加的起搏 - 一个已知的激动迹象。通过将增加的起搏与访客日志相匹配，他们确定患者在家人探访后的几天内更加激动。研究人员说，这表明Marko可以提供一种新的被动方式来跟踪家中患者的功能健康状况。

“这些是我们通过数据发现的有趣内容，”第一作者Chen-Yu Hsu博士说。计算机科学与人工智能实验室(CSAIL)的学生。“我们生活在无线信号的海洋中，我们移动和走动的方式改变了这些反射。我们开发了听取这些反射的系统......以更好地了解人们的行为和健康状况。”

该研究由Dina Katabi，安德鲁和Erna Viterbi电气工程和计算机科学教授以及麻省理工学院无线网络和移动计算中心

当部署在家中时，Marko会发射射频信号。当信号反弹时，它会创建一种切割成垂直和水平“框架”的热图，指示人们在三维空间中的位置。人们在地图上显示为明亮的斑点。垂直框架捕获人的高度和构建，而水平框架确定其一般位置。当个人走路时，系统分析RF帧 - 大约每秒30帧 - 以产生称为轨迹的短轨迹。

甲卷积神经网络通常用于图像-a机器学习模型处理-使用这些tracklets通过某些个体分离的反射。对于它感知到的每个人，系统会创建两个“过滤面具”，这是个人周围的小圆圈。这些掩模基本上滤除了圆圈外的所有信号，这些信号在移动时锁定个体的轨迹和高度。结合所有这些信息 - 高度，构建和移动 - 网络将特定的RF反射与特定个体相关联。

但是要将身份标记为那些匿名blob，系统必须首先进行“训练”。几天后，个人佩戴低功率的加速计传感器，这些传感器可用于标记反射的无线电信号及其各自的身份。在培训中部署时，Marko首先生成用户的tracklet，就像在实践中一样。然后，算法将某些加速度特征与运动特征相关联。例如，当用户走路时，加速度会逐步振荡，但当它们停止时会变为扁平线。该算法找到加速度数据和轨迹之间的最佳匹配，并用该用户的标识标记该轨迹。在这样做时，Marko了解哪些反射信号与特定身份相关。

传感器永远不需要充电，并且在训练之后，个人不需要再次佩戴它们。在家庭部署中，Marko能够在新家中标记个人身份，准确率在85%到95%之间。

研究人员希望医疗机构能够使用Marko来被动监测，例如患者如何与家人和护理人员互动，以及患者是否按时接受药物治疗。例如，在辅助生活设施中，研究人员注意到护士会走到病房的药柜然后到病人床上的特定时间。这表明护士在那些特定时间给了患者的药物。

该系统还可以替代心理学家或行为科学家当前使用的问卷和日记，以捕获他们的研究对象的家庭动态，每日时间表或睡眠模式以及其他行为的数据。那些传统的记录方法可能不准确，包含偏见，并且不适合长期研究，人们可能不得不回忆他们几天或几周前所做的事情。一些研究人员已开始为人们配备可穿戴传感器，以监测运动和生物识别。但是老年患者尤其经常忘记佩戴或充电。“这里的动机是为研究人员设计更好的工具，”Hsu说。

为什么不安装相机?对于初学者来说，这需要有人观看并手动记录所有必要的信息。另一方面，Marko会自动将行为模式(如运动，睡眠和交互)标记到特定区域，日期和时间。

此外，视频只是更具侵略性，Hsu补充说：“大多数人都不习惯一直拍摄，特别是在他们自己的家中。使用无线电信号完成所有这些工作在获得一定程度的帮助之间取得了很好的平衡。信息，但不会让人感到不舒服。“

Katabi和她的学生还计划将Marko与他们之前关于从周围无线电信号推断呼吸和心率的工作结合起来。然后Marko将用于将这些生物识别与相应的个体相关联。它还可以跟踪人们的步行速度，这是老年患者功能健康的良好指标。

“这里潜力巨大，”剑桥大学计算机科学与技术系移动系统教授Cecilia Mascolo说。“关于通过摄像头进行成像，它提供了一种数据量较少且目标更明确的信息收集模式，从用户隐私的角度来看，这是非常受欢迎的。但是，收集的数据仍然非常丰富，论文评估显示准确性这可以实现许多非常有用的应用，例如在老年人护理，医疗依从性监测，甚至是医院护理方面。“

“然而，作为一个社区，我们需要意识到这种技术带来的隐私风险，”Mascolo补充道。她说，应该考虑某些计算技术，以确保数据保持私密性。