El sistema de seguimiento de movimiento inalámbrico podría recopilar datos de salud y comportamiento

El sistema de seguimiento de movimiento inalámbrico podría recopilar datos de salud y comportamiento

Los investigadores del MIT han desarrollado un sistema, llamado Marko, que aprovecha los reflejos de la señal de radiofrecuencia (RF) de los cuerpos humanos para monitorear de forma inalámbrica el movimiento de las personas dentro de sus hogares para proporcionar información para la investigación del comportamiento y ayudar a los cuidadores a vigilar a los pacientes en pacientes asistidos. instalaciones de vida. Crédito: Christine Daniloff, MIT

Vivimos en un mundo de señales inalámbricas que fluyen a nuestro alrededor y rebotan en nuestros cuerpos. Los investigadores del MIT ahora están aprovechando esos reflejos de señales para proporcionar a los científicos y cuidadores información valiosa sobre el comportamiento y la salud de las personas.

El sistema, llamado Marko, transmite una señal de radiofrecuencia (RF) de baja potencia a un entorno. La señal volverá al sistema con ciertos cambios si ha rebotado en un humano en movimiento. Luego, los nuevos algoritmos analizan esos reflejos modificados y los asocian con individuos específicos.

Luego, el sistema rastrea el movimiento de cada individuo alrededor de un plano de planta digital. Hacer coincidir estos patrones de movimiento con otros datos puede proporcionar información sobre cómo las personas interactúan entre sí y con el medio ambiente.

En un documento que se presentó en la Conferencia sobre factores humanos en sistemas informáticos esta semana, los investigadores describen el sistema y su uso en el mundo real en seis ubicaciones: dos instalaciones de vida asistida, tres apartamentos habitados por parejas y una casa adosada con cuatro residentes. Los estudios de caso demostraron la capacidad del sistema para distinguir individuos basándose únicamente en señales inalámbricas y revelaron algunos patrones de comportamiento útiles.

En una instalación de vida asistida, con el permiso de la familia y los cuidadores del paciente, los investigadores monitorearon a un paciente con demencia que a menudo se agitaba por razones desconocidas. Durante un mes, midieron el aumento del ritmo del paciente entre las áreas de su unidad, signo conocido de agitación. Al hacer coincidir el aumento del ritmo con el registro de visitantes, determinaron que el paciente estaba más agitado durante los días posteriores a las visitas familiares. Esto muestra que Marko puede proporcionar una nueva forma pasiva de rastrear los perfiles de salud funcional de los pacientes en el hogar, dicen los investigadores.

“Estos son bits interesantes que descubrimos a través de los datos”, dice el primer autor Chen-Yu Hsu, un Ph.D. estudiante del Laboratorio de Informática e Inteligencia Artificial (CSAIL). “Vivimos en un mar de señales inalámbricas, y la forma en que nos movemos y caminamos cambia estos reflejos. Desarrollamos el sistema que escucha esos reflejos para comprender mejor el comportamiento y la salud de las personas”.

La investigación está dirigida por Dina Katabi, profesora Andrew y Erna Viterbi de Ingeniería Eléctrica y Ciencias de la Computación y directora del MIT Center for Wireless Networks and Mobile Computing ([email protected]). Junto a Katabi y Hsu en el artículo están los estudiantes graduados de CSAIL Mingmin Zhao y Guang-He Lee y el ex alumno Rumen Hristov SM ’16.

Predecir “tracklets” e identidades

Cuando se despliega en una casa, Marko dispara una señal de RF. Cuando la señal rebota, crea un tipo de mapa de calor cortado en “marcos” verticales y horizontales, que indica dónde se encuentran las personas en un espacio tridimensional. Las personas aparecen como manchas brillantes en el mapa. Los marcos verticales capturan la altura y la constitución de la persona, mientras que los marcos horizontales determinan su ubicación general. A medida que los individuos caminan, el sistema analiza los fotogramas de RF (alrededor de 30 por segundo) para generar trayectorias cortas, llamadas tracklets.

Una red neuronal convolucional 攁 modelo de aprendizaje automático comúnmente utilizado para el procesamiento de imágenes 攗 utiliza esos tracklets para separar los reflejos de ciertos individuos. Para cada individuo que detecta, el sistema crea dos “máscaras de filtrado”, que son pequeños círculos alrededor del individuo. Básicamente, estas máscaras filtran todas las señales fuera del círculo, lo que bloquea la trayectoria y la altura del individuo a medida que se mueven. Combinando toda esta información (ocho, construcción y movimiento), la red asocia reflejos de RF específicos con individuos específicos.

Pero para etiquetar identidades en esos blobs anónimos, primero se debe “entrenar” el sistema. Durante unos días, las personas usan sensores de acelerómetro de baja potencia, que pueden usarse para etiquetar las señales de radio reflejadas con sus respectivas identidades. Cuando se implementa en la capacitación, Marko primero genera los tracklets de los usuarios, como lo hace en la práctica. Luego, un algoritmo correlaciona ciertas características de aceleración con características de movimiento. Cuando los usuarios caminan, por ejemplo, la aceleración oscila con los pasos, pero se convierte en una línea plana cuando se detienen. El algoritmo encuentra la mejor coincidencia entre los datos de aceleración y el tracklet, y etiqueta ese tracklet con la identidad del usuario. Al hacerlo, Marko aprende qué señales reflejadas se correlacionan con identidades específicas.

Los sensores nunca tienen que cargarse y, después del entrenamiento, las personas no necesitan volver a usarlos. En las implementaciones en el hogar, Marko pudo etiquetar las identidades de las personas en los nuevos hogares con una precisión de entre el 85 y el 95 por ciento.

Lograr un buen equilibrio (recopilación de datos)

Los investigadores esperan que las instalaciones de atención médica utilicen a Marko para monitorear pasivamente, digamos, cómo los pacientes interactúan con la familia y los cuidadores, y si los pacientes reciben los medicamentos a tiempo. En una instalación de vida asistida, por ejemplo, los investigadores observaron momentos específicos en que una enfermera caminaba hacia un botiquín en la habitación de un paciente y luego hacia la cama del paciente. Eso indicaba que la enfermera, en esos momentos específicos, le había administrado la medicación al paciente.

El sistema también puede reemplazar los cuestionarios y diarios que utilizan actualmente los psicólogos o científicos del comportamiento para capturar datos sobre la dinámica familiar, los horarios diarios o los patrones de sueño de los sujetos de estudio, entre otros comportamientos. Esos métodos de grabación tradicionales pueden ser inexactos, contener sesgos y no son adecuados para estudios a largo plazo, donde las personas pueden tener que recordar lo que hicieron hace días o semanas. Algunos investigadores han comenzado a equipar a las personas con sensores portátiles para monitorear el movimiento y la biometría. Pero los pacientes de edad avanzada, especialmente, a menudo se olvidan de usarlos o cargarlos. “La motivación aquí es diseñar mejores herramientas para los investigadores”, dice Hsu.

¿Por qué no instalar cámaras? Para empezar, esto requeriría que alguien observe y registre manualmente toda la información necesaria. Marko, por otro lado, etiqueta automáticamente los patrones de comportamiento, como movimiento, sueño e interacción, en áreas, días y horas específicas.

Además, el video es más invasivo, agrega Hsu: “La mayoría de las personas no se sienten tan cómodas con ser filmadas todo el tiempo, especialmente en su propia casa. El uso de señales de radio para hacer todo este trabajo logra un buen equilibrio entre obtener cierto nivel de información, pero sin hacer que la gente se sienta incómoda “.

Katabi y sus estudiantes también planean combinar a Marko con su trabajo anterior sobre la inferencia de la respiración y la frecuencia cardíaca a partir de las señales de radio circundantes. Luego, se utilizará Marko para asociar esos datos biométricos con los individuos correspondientes. También podría rastrear la velocidad al caminar de las personas, lo cual es un buen indicador de la salud funcional en pacientes de edad avanzada.

“El potencial aquí es inmenso”, dice Cecilia Mascolo, profesora de sistemas móviles en el Departamento de Informática y Tecnología de la Universidad de Cambridge. “Con respecto a la obtención de imágenes a través de cámaras, ofrece un modelo de recopilación de información menos rico en datos y más específico, lo cual es muy bienvenido desde la perspectiva de la privacidad del usuario. Sin embargo, los datos recopilados siguen siendo muy ricos y la evaluación en papel muestra precisión lo que puede permitir una serie de aplicaciones muy útiles, por ejemplo, en el cuidado de personas mayores, el control de la adherencia médica o incluso la atención hospitalaria “.

“Sin embargo, como comunidad, debemos ser conscientes de los riesgos de privacidad que conlleva este tipo de tecnología”, agrega Mascolo. Se deben considerar ciertas técnicas de cálculo, dice, para garantizar que los datos sigan siendo privados.


Similar Posts

Leave a Reply