An Artificial Intelligence-Driven Framework for Real-Time CHPD Using Wi-Fi Channel State Information

In de stille hoekjes van onze huizen en kantoren weerkaatsen onzichtbare golven van Wi-Fi constant tegen muren, meubels en de lucht zelf. Deze golven dragen onze e-mails en video's, maar ze dragen ook een verborgen verhaal over de ruimte waar ze doorheen reizen. Wanneer een persoon door een kamer beweegt, verstoort hun lichaam deze golven subtiel, waardoor de manier waarop ze bij een ontvanger aankomen verandert. Deze verstoring staat bekend als Channel State Information, een gedetailleerde kaart van de reis van het signaal die niet alleen de sterkte van de verbinding onthult, maar ook de specifieke vorm en timing van elke rimpeling. Hoewel camera's lang de standaard zijn geweest om te zien wie er in een kamer is, roepen ze zorgen op over privacy en vereisen ze dure hardware. Onderzoekers zijn gaan vragen of de Wi-Fi-signalen die al aanwezig zijn in ons leven, kunnen dienen als een stille, onzichtbare waarnemer, in staat om mensen te tellen en beweging te detecteren zonder ooit een foto te maken.

Een onderzoeker heeft nu een systeem gebouwd dat dit idee verandert in een werkende realiteit. Zij creëerden een framework dat twee kleine, goedkope computerchips gebruikt om naar de Wi-Fi-signalen in een kamer te luisteren en precies te bepalen hoeveel mensen aanwezig zijn, wat ze doen, en of ze zitten, staan of lopen. De opstelling is eenvoudig: één chip fungeert als zender, die een constante stroom Wi-Fi-pakketten uitzendt, terwijl een tweede chip fungeert als ontvanger, die die pakketten opvangt wanneer ze aankomen. Wanneer de kamer leeg is, komen de pakketten in een voorspelbaar patroon aan. Maar wanneer een persoon de ruimte betreedt, reflecteert en verstrooit hun lichaam de signalen, wat een unieke vingerafdruk van verandering in de data creëert. De onderzoeker legde deze veranderingen vast en zette de ruwe signaalvariaties om in een stroom getallen die een computer kon begrijpen.

Om deze complexe data te begrijpen, ontwikkelde de onderzoeker een gespecialiseerd computerbrein, een type kunstmatige intelligentie ontworpen om te leren van patronen. Zij vertrouwde niet op één enkele methode, maar combineerde drie verschillende technieken om na te bootsen hoe een mens een scène zou analyseren. Eerst keek het systeem naar de ruimtelijke lay-out van het signaal, waarbij werd geïdentificeerd welke delen van het Wi-Fi-spectrum het meest werden beïnvloed door de aanwezigheid van een persoon. Vervolgens onderzocht het de sequentie van gebeurtenissen in de tijd, waarbij werd gevolgd hoe het signaal van het ene moment naar het andere veranderde om beweging te begrijpen. Ten slotte leerde het systeem om de aandacht te richten op de belangrijkste delen van de data, waarbij de achtergrondruis die vaak Wi-Fi-signalen teistert, werd genegeerd. Deze hybride aanpak stelde de computer in staat om te onderscheiden tussen een kamer zonder iemand, een kamer met één persoon, en een kamer vol met tot vijf mensen of zelfs een grotere groep.

De onderzoeker testte het systeem door duizenden signaalmonsters op te nemen in een gecontroleerde omgeving. Zij labelden de data volgens de grondwaarheid van de kamer: leeg, één persoon, twee personen, tot vijf personen, een menigte, en specifieke activiteiten zoals zitten, staan of lopen. Zij voedden deze data aan hun kunstmatige intelligentiemodel, dat leerde om specifieke signaalpatronen te associëren met deze specifieke condities. De resultaten waren veelbelovend. Het systeem classificeerde deze tien verschillende scenario's succesvol met een testnauwkeurigheid van 78,57 procent. Hoewel niet perfect, was de prestatie sterk genoeg om aan te tonen dat de technologie werkt. De onderzoeker merkte op dat het systeem soms het aantal mensen verwart wanneer het verschil klein is, zoals het aanzien van één persoon voor vijf, waarschijnlijk omdat de signaalveranderingen in die specifieke condities erg op elkaar lijken. De algehele capaciteit om aanwezigheid en activiteit te detecteren was echter robuust, zelfs wanneer de mensen niet direct zichtbaar waren voor de sensoren, wat bewees dat het systeem werkt zelfs wanneer de zichtlijn geblokkeerd is.

Om deze technologie tot leven te brengen, bouwde de onderzoeker een real-time dashboard dat weergeeft wat het systeem ziet. Deze interface toont de live signaalsterkte, het aantal gedetecteerde mensen, de voorspelde activiteit en het vertrouwen dat de computer heeft in zijn antwoord. Het houdt ook omgevingsfactoren zoals temperatuur en luchtvochtigheid bij, die de signalen kunnen beïnvloeden, om er zeker van te zijn dat het systeem zich bewust blijft van zijn omgeving. Het hele proces vindt in real-time plaats, waarbij het systeem in één keer twintig opeenvolgende frames van data verwerkt om een beslissing te nemen. Deze aanpak stelt het systeem in staat om snel te reageren op veranderingen in de kamer, waardoor een continue stroom van informatie over bezetting wordt geboden zonder ooit een camerlens nodig te hebben.

De betekenis van dit werk ligt in het potentieel om een privacy-beschermend alternatief te bieden voor traditionele surveillance. Omdat het systeem gebruikmaakt van de bestaande Wi-Fi-infrastructuur en geen afbeeldingen of video vastlegt, kan het ruimtes monitoren zonder de persoonlijke privacy te schenden. Het maakt gebruik van goedkope hardware die breed beschikbaar is, waardoor het toegankelijk is voor smart homes, zorgmonitoring voor ouderen en beveiligingstoepassingen waar camera's niet geschikt zijn. De onderzoeker erkent dat dit een stap voorwaarts is, maar niet de eindbestemming. Zij zijn van plan de nauwkeurigheid te verbeteren door meer diverse data te verzamelen en het model van kunstmatige intelligentie te verfijnen. Voor nu hebben zij aangetoond dat de onzichtbare golven van Wi-Fi ons inderdaad kunnen vertellen wie er in de kamer is, wat een nieuwe manier biedt om onze wereld waar te nemen die zowel effectief als respectvol is voor onze privacy.