來自麻省理工學院計算機科學與人工智能實驗室的無線智能家居系統，能夠幫助監測疾病，讓老年人“老有所屬”（老年人能夠更獨立的生活）。
擁有像 X 光一樣的透視能力長久以來似乎都還是科幻小說中出現的超能力，不過在最近十年，一個由麻省理工學院計算機科學與人工智能實驗室（Computer Science and Artificial Intelligence Laboratory，CSAIL） Dina Katabi 教授領導的團隊，正持續地開發“穿牆透視”技術。
他們最新的項目，“RF-Pose” ，正使用 AI 訓練無線設備感知人類的姿態和運動。這項技術甚至可以穿牆觀察牆對面的情況。
研究人員使用神經網絡分析從人類身體上反射的無線電波，然後生成簡略動態骨架結構圖（火柴人圖）來展示人類行走、停下、坐下和四肢移動的動作。
該團隊稱，“RF-Pose” 項目的技術能夠被用來監測類似帕金森、多發性硬化症和肌肉萎縮症等疾病，為醫生提供更多信息，從而對症下藥。這項技術也將通過監測跌倒、受傷和運動模式的變化，來幫助老年人能夠更獨立的生活。他們現在正和醫生們合作，來探索 “RF-Pose” 在醫療領域的應用。
團隊收集的所有數據都得到了受試者同意，並且經過匿名加密以保護隱私。在未來應用方面，他們計劃執行一套“許可機制”：受試者通過進行一系列運動來啟動設備的監測。
論文共同作者 Katabi 說：“我們發現，通過監測病人的行走速度和基本活動，醫生能夠從新的角度獲得一些對治療疾病有意義的信息。我們使用方法的主要優勢在於，病患們不需要穿戴或調整任何設備，就能實現監測於無形。”
除了醫療健康領域的應用，團隊表示，該項目還可以用在需要玩家在整個房子中移動的視頻遊戲中，或者需要定位倖存者的搜救任務等。
除了 Dina Katabi 教授，該論文的作者還包括博士生 Mingmin Zhao（趙明民，一作）、Antonio Torralba 教授 、碩士生 Tianhong Li、博士後 Mohammad Abu Alsheikh、 博士生 Yonglong Tian、 博士生 Hang Zhao。
他們將在本月晚些時候在猶他州鹽湖城召開的計算機視覺與模式識別會議（Conference on Computer Vision and Pattern Recognition，CVPR）上展示這一成果。
對研究人員來說這個項目最大的挑戰是，大多數神經網絡都需要人工標註的數據集來進行訓練 。以一個識別貓的神經網絡為例，其需要人們找到一個很大的圖片數據庫，並且將其中的圖片都標註為“是貓”和“不是貓”。另外，人工標註項目中所用的無線信號並不容易。
為了解決這一難題，研究者使用無線設備和攝像頭來採集數據。他們拍攝了數千張人類活動場景（如行走、說話、坐下、開門和等電梯）的照片。
隨後，他們從這些相機拍攝的照片提取出不同姿勢的人類簡略骨架（火柴人圖，用於表示人體姿態），將其與無線信號對應起來。這樣的組合能讓系統學習出場景中無線信號和火柴人圖之間的關聯。
在訓練後，“RF-Pose” 能夠通過人類人體反射的無線信號來估計人類的姿勢和運動，而不再依賴於照片。
由於攝像頭不能穿牆透視，神經網絡從未使用過隔牆場景下的數據進行訓練。不過讓 MIT 團隊十分驚訝的是，這個神經網絡能夠舉一反三來實現“隔牆透視”預測。
Torralba 說：“如果你把計算機視覺系統當成一個老師，那麼這個例子真的很有趣，作為學生的無線信號觀測系統居然比老師還厲害了。”
除了檢測運動，作者還展示了使用無線信號識別身份的技術。他們通過觀測無線信號識別一組 100 個人的身份，能達到 83% 的識別正確率。這種技術將在需要識別特定人身份的搜救行動中非常有幫助。
在這篇論文中，模型的輸出是二維的火柴人骨架圖。不過該團隊正在將其擴展到三維，以監測更小幅度的運動。比如，這個系統將能夠通過觀察老年人的手的擺動規律，來確定是否需要健康檢查。
趙明民表示：“通過視覺數據和 AI 結合實現穿牆觀測，通過視覺數據和 AI 結合實現穿牆觀測，我們能夠更好地理解生活場景，提供讓生活更安全，高效的環境。”
閱讀更多 DeepTech深科技 的文章
