- Deze technologie kan zieke mensen helpen een zelfstandiger leven te leiden
- RF-Pose ‘ziet’ de bewegingen door terugkaatsende radiogolven
- Het systeem kan echter ook gebruikt worden om mensen te bespioneren
Hoe cool zou het zijn als je door muren kon kijken? Als je denkt dat dit alleen in sciencefictionfilms of -games mogelijk is, heb je het mis. Een team onderzoekers van het Computer Science and Artificial Intelligence Laboratory (CSAIL) van het MIT, onder leiding van professor Dina Katabi, heeft pas een innovatief neuraal netwerk ontwikkeld dat de bewegingen van mensen door muren heen kan volgen. RF-Pose, zoals het neurale netwerk wordt genoemd, analyseert radiogolven die van een lichaam weerkaatsen en gebruikt deze informatie om een dynamisch ‘lucifermannetje’ of stick figure te creëren die de bewegingen in real time nabootst – een soort radar voor mensen.
Deze technologie kan zieke mensen helpen een zelfstandiger leven te leiden
Volgens het team van Katabi moet het systeem in de eerste plaats worden toegepast in de gezondheidszorg, waar het gebruikt kan worden voor het monitoren van patiënten die lijden aan ziekten als Parkinson, multiple sclerose (MS) en spierdystrofie. De technologie geeft artsen een beter inzicht in hoe deze ziekten zich ontwikkelen en stelt hen in staat effectievere medicatieschema’s samen te stellen. Bovendien kunnen patiënten dankzij deze technologie een zelfstandiger leven leiden omdat hun zorgverleners hen overdag van buitenaf kunnen monitoren. “Het monitoren van de loopsnelheid en in hoeverre patiënten zelfstandig basisactiviteiten uitvoeren geeft zorgverleners een kijkje in het leven van deze mensen – iets dat ze voorheen niet konden. Dit zou voor een hele reeks ziekten waardevol kunnen zijn”, zegt Katabi. “Een belangrijk voordeel van onze aanpak is dat patiënten bijvoorbeeld geen sensoren hoeven te dragen en niet hoeven te onthouden dat ze hun apparaten moeten opladen. Het systeem heeft potentieel ook toepassingen buiten de gezondheidszorg, zoals gamen (denk aan Kinect, maar veel beter) of het opsporen van overlevenden in rampgebieden.
Neurale netwerken leren specifieke objecten identificeren door enorme datasets met afbeeldingen te analyseren die elk afzonderlijk beoordeeld en geëtiketteerd moeten worden, een moeizaam proces dat machine learning enorm vertraagt. Deze standaardtechniek werkt echter niet met radiogolven, omdat het onmogelijk is om te zien of ze een mens of iets anders vertegenwoordigen. Om deze technologie te laten werken, moesten de onderzoekers een andere manier vinden om de signalen te identificeren. Vervolgens bedachten ze een innovatieve oplossing.
RF-Pose ‘ziet’ de bewegingen door terugkaatsende radiogolven
Allereerst legden ze met een speciale camera duizenden beelden vast van allerlei menselijke activiteiten, zoals bijvoorbeeld lopen, zitten, praten, deuren openen en op de lift wachten. Tegelijkertijd gebruikten ze een draadloos apparaat om tijdens die activiteiten radiogolven terug te laten kaatsen. Vervolgens werden de twee verschillende datasets gecombineerd, zodat aan elke ‘lucifermannetje’ een corresponderende radiogolf kon worden toegewezen. Deze gecombineerde gegevens werden vervolgens ingevoerd in het neurale netwerk. Hierdoor kon men aan elk type beweging een specifieke ‘radiohandtekening’ verbinden en uiteindelijk was het systeem in staat om de bewegingen van de lucifermannetjes te leren associëren met de juiste radiogolven. Op deze manier kon het systeem de bewegingen en lichaamshoudingen nauwkeurig inschatten. Maar wat nog het meest indrukwekkend is, is dat het systeem zelfs werkt als er een muur tussenstaat. Bovendien worden de resultaten van RF-Pose niet verstoord of vervormd, zelfs niet als er meerdere personen in de ruimte zijn die bijvoorbeeld langs elkaar heen lopen. Hierdoor wordt een nauwkeurigheidsniveau bereikt dat van cruciaal belang is voor potentiële toepassingen in de gezondheidszorg.
Volgens de onderzoekers is het systeem ook in staat om mensen met 83 procent nauwkeurigheid uit een line-up van 100 personen te identificeren. In de praktijk betekent dit dat het vrij goed kan ontcijferen naar wie het kijkt – en dus bijvoorbeeld een patiënt van een bezoeker kan onderscheiden. Dat maakt het voor mensen met een zware motorische beperking mogelijk een zelfstandiger leven te leiden. “Door met deze combinatie van visuele gegevens en KI door muren te kijken, kunnen we een beter ‘scènebegrip’ realiseren en slimmere omgevingen mogelijk maken zodat patiënten een veiliger en productiever leven kunnen leiden”, zegt Mingmin Zhao, een promovendus in het team van Katabi. Op dit moment werkt het systeem alleen met 2D-lucifermannetjes, maar het team werkt aan de integratie van 3D-modellen, waardoor ze nog meer details kunnen vastleggen.
Het systeem kan echter ook gebruikt worden om mensen te bespioneren
Deze technologie brengt echter een aantal voor de hand liggende privacy- en veiligheidskwesties met zich mee. Wie kan garanderen dat het systeem niet zal worden gebruikt om mensen te bespioneren? Politie- of veiligheidsdiensten zouden het systeem bijvoorbeeld kunnen aanpassen zodat het gebruikt kan worden om verdachte personen in de gaten te houden. Volgens Katabi heeft het team de deelnemers eerst uitdrukkelijk toestemming gevraagd voor het onderzoek en er vervolgens voor gezorgd dat de gegevens van de patiënten werden geanonimiseerd en versleuteld om hun privacy te beschermen. Katabi suggereerde ook dat het eindproduct waarschijnlijk voorzien wordt van een soort toestemmingsmechanisme dat ervoor zorgt dat mensen niet zonder medeweten gemonitord kunnen worden. Ze heeft echter geen verdere uitlatingen gedaan over hoe dit mechanisme er dan uit zou zien of hoe het zou werken. Er is dan ook geen garantie dat het systeem niet gerepliceerd zou kunnen worden door partijen met minder koosjere bedoelingen. Maar hoe legitiem deze bezorgdheid ook moge zijn, in dit geval wegen de voordelen van een dergelijk systeem voor de gezondheidszorg zeker op tegen de potentiële risico’s.
