La visión de rayos X lleva mucho tiempo pareciendo una fantasía de ciencia ficción poco realista, pero durante la última década, un equipo dirigido por la profesora Dina Katabi, del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT, Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL), nos ha acercado de forma constante a la posibilidad de ver a través de las paredes.
Su proyecto más reciente, «RF-Pose», utiliza la inteligencia artificial (IA) para enseñar a los dispositivos inalámbricos a detectar las posturas y los movimientos de las personas, incluso desde el otro lado de una pared.
Los investigadores utilizan una red neuronal para analizar las señales de radio que rebotan en los cuerpos de las personas y, a partir de ellas, crear una figura de palo dinámica que camina, se detiene, se sienta y mueve sus extremidades a medida que la persona realiza esas acciones.
El equipo afirma que RF-Pose podría utilizarse para monitorizar enfermedades como el párkinson, la esclerosis múltiple (EM) y la distrofia muscular, lo que permitiría comprender mejor la progresión de la enfermedad y que los médicos ajusten los medicamentos en consecuencia. También podría ayudar a las personas mayores a vivir de forma más independiente, al tiempo que ofrecería la seguridad adicional de monitorizar caídas, lesiones y cambios en los patrones de actividad. El equipo está trabajando actualmente con médicos para explorar las aplicaciones de RF-Pose en la atención sanitaria.
Todos los datos recopilados por el equipo cuentan con el consentimiento de los sujetos y están anonimizados y cifrados para proteger la privacidad de los usuarios. Para futuras aplicaciones en el mundo real, el equipo planea implementar un «mecanismo de consentimiento» en el que la persona que instala el dispositivo recibe la indicación de realizar un conjunto específico de movimientos para que este comience a monitorizar el entorno.
«Hemos comprobado que monitorizar la velocidad al caminar de los pacientes y su capacidad para realizar por sí mismos actividades básicas proporciona a los profesionales sanitarios una ventana a su vida que antes no tenían, lo que podría resultar significativo para una amplia gama de enfermedades», afirma Katabi, coautora de un nuevo artículo sobre el proyecto. «Una ventaja clave de nuestro enfoque es que los pacientes no tienen que llevar sensores ni acordarse de cargar sus dispositivos».
Además de la atención sanitaria, el equipo afirma que RF-Pose también podría utilizarse en nuevas categorías de videojuegos en las que los jugadores se desplazan por la casa o, incluso, en misiones de búsqueda y rescate para ayudar a localizar a supervivientes.
Katabi es coautora del nuevo artículo junto con el estudiante de doctorado y autor principal Mingmin Zhao, el profesor del MIT Antonio Torralba, el posdoctorado Mohammad Abu Alsheikh, el estudiante de posgrado Tianhong Li y los estudiantes de doctorado Yonglong Tian y Hang Zhao. Lo presentarán a finales de este mes en la Conferencia sobre Visión por Computador y Reconocimiento de Patrones (CVPR), en Salt Lake City, Utah.
Uno de los retos que tuvieron que abordar los investigadores es que la mayoría de las redes neuronales se entrenan con datos etiquetados a mano. Una red neuronal entrenada para identificar gatos, por ejemplo, requiere que las personas observen un gran conjunto de datos de imágenes y etiqueten cada una como «gato» o «no gato». Las señales de radio, por su parte, no pueden etiquetarse fácilmente por humanos.
Para resolverlo, los investigadores recopilaron ejemplos utilizando tanto su dispositivo inalámbrico como una cámara. Reunieron miles de imágenes de personas realizando actividades como caminar, hablar, sentarse, abrir puertas y esperar ascensores.
A continuación, utilizaron estas imágenes de la cámara para extraer las figuras de palo, que mostraron a la red neuronal junto con la señal de radio correspondiente. Esta combinación de ejemplos permitió al sistema aprender la asociación entre la señal de radio y las figuras de palo de las personas de la escena.
Una vez entrenado, RF-Pose pudo estimar la postura y los movimientos de una persona sin cámaras, utilizando únicamente los reflejos inalámbricos que rebotan en los cuerpos de las personas.
Dado que las cámaras no pueden ver a través de las paredes, la red nunca fue entrenada explícitamente con datos del otro lado de una pared, lo que sorprendió especialmente al equipo del MIT: la red pudo generalizar su conocimiento para poder manejar los movimientos a través de paredes.
«Si considera el sistema de visión artificial como el profesor, este es un ejemplo verdaderamente fascinante de un alumno que supera al profesor», afirma Torralba.
Además de detectar movimiento, los autores también demostraron que podían utilizar señales inalámbricas para identificar con precisión a una persona el 83 % de las veces entre una fila de 100 individuos. Esta capacidad podría resultar especialmente útil en operaciones de búsqueda y rescate, cuando puede ser de ayuda conocer la identidad de determinadas personas.
En este artículo, el modelo genera una figura de palo en 2D, pero el equipo también está trabajando para crear representaciones en 3D que puedan reflejar incluso micromovimientos más pequeños. Por ejemplo, podría llegar a detectar si las manos de una persona mayor tiemblan con la regularidad suficiente como para que le convenga someterse a un chequeo.
«Al utilizar esta combinación de datos visuales e IA para ver a través de las paredes, podemos lograr una mejor comprensión de las escenas y entornos más inteligentes que permitan vivir de forma más segura y productiva», afirma Zhao.
