Ученые из МГУ имени М. В. Ломоносова предложили два новых метода использования значений индикатора уровня принятого сигнала (RSSI) для обнаружения присутствия человека. Один из них, основанный на нейронной сети с управляемыми рекуррентными нейронами, оказался точнее и не требовал дополнительных настроек. Поэтому он может стать эффективным подходом для применения Wi-Fi-сканирования в различных сферах — транспортной, системах безопасности и медицине. Статья опубликована в журнале Proceedings of the Institute for System Programming of the RAS.
Обнаружение человека и фиксация его движения может быть необходима для решения задач в сфере транспорта, бытовой безопасности, охраны коммерческих помещений, здравоохранения и т. д. С развитием технологии Wi-Fi, в частности с совершенствованием аппаратной части точек доступа, инженеры получили возможность использовать их в качестве локаторов. Наиболее простой подход к обнаружению движения при помощи Wi-Fi устройств основан на RSSI (индикаторе уровня принятого сигнала), другой — на анализе более полной информации о состоянии канала связи Channel State Information (CSI).
«Оба подхода основаны на схожем принципе. Когда человек проходит между устройствами Wi-Fi, RSSI или CSI изменяется. Уровень RSSI — это физическая величина, которая характеризует полную мощность сигнала, принимаемого устройством Wi-Fi. Измерение происходит по логарифмической шкале в дБм (децибелах относительно милливатта). Мы выбрали подход на анализе RSSI, так как его значение можно получить практически на всех Wi-Fi-устройствах», — рассказывает соавтор исследования Андрей Чупахин.
Чтобы определить по данным RSSI, есть ли рядом человек, техники часто используют статистические алгоритмы. Наиболее часто встречающийся подход основан на использовании различных статистических характеристик отфильтрованного временного ряда RSSI. Лучшие результаты в этой категории показал алгоритм, основанный на использовании фильтра Калмана, и алгоритм, основанный на сочетании фильтров с использованием скользящих средних. Однако существует и альтернативная группа подходов, основанных на алгоритмах машинного обучения и нейронных сетях.
Ученые предложили рассмотреть новые подходы из обеих категорий. В качестве статистического алгоритма они выбрали фильтр Колмогорова — Винера, а в качестве нейросетевого они рассмотрели нейронную сеть с рекуррентными блоками (GRU). Результаты экспериментального исследования показали, что точность нейросетевого подхода выше, чем у алгоритма, основанного на фильтре Колмогорова — Винера, который, кроме того, требует дополнительной предварительной настройки определения уровня шума в помещении. Результаты работы помогут разработать универсальный подход к слежению за движениями человека при помощи Wi-Fi-сканирования.
Подписывайтесь на InScience.News в социальных сетях: ВКонтакте, Telegram, Одноклассники.
