我们生活在一个无线信号环绕、并从人体反射的世界里。麻省理工学院的研究人员如今正利用这些信号反射，为科学家和护理人员提供有关人们行为与健康的宝贵信息。
这套名为 Marko 的系统会向环境中发射低功率射频（RF）信号。如果信号遇到正在移动的人体并发生反射，返回系统时就会出现某些变化。随后，新的算法会分析这些变化后的反射信号，并将其与特定个体对应起来。
系统随后会在数字平面图上追踪每个人的活动。将这些活动模式与其他数据相匹配，可以帮助了解人们如何彼此互动，以及如何与周围环境互动。
研究人员将在本周举行的计算机系统中的人为因素会议上发表一篇论文，介绍该系统及其在六处地点的实际应用：两家辅助生活设施、三套由情侣居住的公寓，以及一栋有四名住户的联排住宅。案例研究表明，该系统仅凭无线信号就能区分不同个体，并揭示了一些有用的行为模式。
在一家辅助生活设施中，经患者家属和护理人员同意，研究人员监测了一名患有痴呆症的患者。此人常常无故变得焦躁。一个月内，他们测量了患者在居住单元不同区域之间来回走动的频率增加情况——这是焦躁不安的已知迹象。通过将走动频率增加的情况与访客记录进行比对，他们发现患者在家人探访后的几天里更容易焦躁。研究人员表示，这表明 Marko 可以提供一种新的被动方式，在家中追踪患者的功能健康状况。
“我们通过数据发现了一些有意思的情况，”第一作者陈宇旭（音译）说。他是计算机科学与人工智能实验室（CSAIL）的博士生。“我们生活在无线信号的海洋中，我们的移动和行走方式会改变这些反射信号。我们开发了这个系统来监听这些反射信号……从而更好地了解人们的行为与健康。”
这项研究由迪娜·卡塔比领导。她是安德鲁与埃尔娜·维特比电气工程与计算机科学教授，也是麻省理工学院无线网络与移动计算中心（Wireless@MIT）主任。与卡塔比和陈宇旭共同撰写论文的还有 CSAIL 研究生赵明敏、李光赫（音译），以及该实验室校友鲁门·赫里斯托夫（Rumen Hristov，SM ’16）。
预测“短轨迹”与身份
在家庭中部署时，Marko 会发射 RF 信号。信号反弹后会生成一种热图，并被切分为垂直和水平的“帧”，显示人们在三维空间中的位置。图上，人们呈现为明亮的斑块。垂直帧捕捉人的身高和体型，水平帧则确定其大致位置。随着人们行走，系统会分析 RF 帧——每秒约 30 帧——生成称为短轨迹的简短运动轨迹。
卷积神经网络是一种常用于图像处理的机器学习模型，它利用这些短轨迹区分由特定个体产生的反射信号。系统感知到每个个体后，会为其创建两个“过滤掩码”，即围绕该个体的小圆圈。这些掩码基本上会滤除圆圈外的所有信号，从而锁定个体移动时的轨迹和身高。网络综合身高、体型和运动等信息，将特定 RF 反射信号与特定个体对应起来。
不过，要为这些匿名斑块标注身份，系统必须先经过“训练”。在几天时间里，个体佩戴低功耗加速度计传感器，以便用各自的身份标注反射回来的无线电信号。在训练部署期间，Marko 会像实际使用时一样，先生成用户的短轨迹。随后，算法会将某些加速度特征与运动特征相关联。例如，用户行走时，加速度会随步伐起伏；停下时，加速度则变为一条平线。算法会找出加速度数据与短轨迹之间的最佳匹配，并用用户身份标记该短轨迹。通过这一过程，Marko 学会哪些反射信号与特定身份相关联。
这些传感器无需充电，训练结束后，个体也不必再佩戴它们。在家庭部署中，Marko 能够在新住户家庭中以 85% 至 95% 的准确率标记个体身份。
在数据收集方面取得良好平衡
研究人员希望医疗机构能使用 Marko 被动监测患者与家人及护理人员的互动情况，以及患者是否按时服药等。例如，在一家辅助生活设施中，研究人员记录到，护士会在特定时间走到患者房间的药柜前，然后走到患者床边。这表明护士在这些特定时间给患者服了药。
该系统还可能取代心理学家或行为科学家目前使用的问卷和日记，用于收集研究对象的家庭关系、日常作息或睡眠模式等行为数据。传统记录方式可能不准确、带有偏差，也不适合长期研究，因为人们可能需要回忆几天或几周前做过什么。一些研究人员已开始为人们配备可穿戴传感器，以监测活动和生物特征数据。但老年患者尤其容易忘记佩戴或给传感器充电。陈宇旭说：“我们的初衷是为研究人员设计更好的工具。”
为什么不直接安装摄像头？首先，这需要有人观看并手动记录所有必要信息。相比之下，Marko 会自动将运动、睡眠和互动等行为模式标记到特定区域、日期和时间。
陈宇旭补充说，视频监控也更具侵入性：“大多数人并不习惯一直被拍摄，尤其是在自己家里。用无线电信号来完成这些工作，能在获取一定有用信息与避免让人感到不自在之间取得良好平衡。”
卡塔比和她的学生还计划将 Marko 与他们此前的研究结合起来，从周围的无线电信号推断呼吸和心率。届时，Marko 将用于把这些生物特征数据与相应个体关联起来。它还可以追踪人们的步行速度，而步行速度是衡量老年患者功能健康状况的良好指标。
剑桥大学计算机科学与技术系移动系统教授塞西莉亚·马斯科洛说：“这项技术的潜力巨大。与摄像成像相比，它提供了一种数据量较少、目标更明确的信息收集模式；从用户隐私角度来看，这非常受欢迎。不过，收集到的数据仍然非常丰富，论文中的评估表明，其准确度足以支持许多非常有用的应用，例如老年人护理、用药依从性监测，甚至医院护理。”
马斯科洛补充说：“不过，作为一个群体，我们需要意识到这类技术带来的隐私风险。”她表示，应考虑采用某些计算技术，以确保数据保持私密。
