Vivimos en un mundo de señales inalámbricas que fluyen a nuestro alrededor y rebotan en nuestros cuerpos. Ahora, investigadores del MIT aprovechan esos reflejos para ofrecer a científicos y cuidadores información valiosa sobre el comportamiento y la salud de las personas.
El sistema, llamado Marko, transmite una señal de radiofrecuencia (RF) de baja potencia en un entorno. La señal regresa al sistema con ciertos cambios si ha rebotado en una persona en movimiento. A continuación, algoritmos novedosos analizan esos reflejos modificados y los asocian con personas concretas.
Después, el sistema traza el movimiento de cada persona en un plano digital. La comparación de estos patrones de movimiento con otros datos puede aportar información sobre cómo interactúan las personas entre sí y con el entorno.
En un artículo que se presentará esta semana en la Conferencia sobre Factores Humanos en Sistemas Informáticos, los investigadores describen el sistema y su uso en el mundo real en seis ubicaciones: dos centros de vida asistida, tres apartamentos habitados por parejas y una casa adosada con cuatro residentes. Los estudios de caso demostraron la capacidad del sistema para distinguir a las personas basándose únicamente en señales inalámbricas y revelaron algunos patrones de comportamiento útiles.
En un centro de vida asistida, con el permiso de la familia y de los cuidadores del paciente, los investigadores monitorizaron a un paciente con demencia que a menudo se agitaba por motivos desconocidos. Durante un mes, midieron el aumento de sus idas y venidas entre distintas zonas de su vivienda, un signo conocido de agitación. Al comparar ese aumento con el registro de visitas, determinaron que el paciente se mostraba más agitado durante los días posteriores a las visitas de familiares. Según los investigadores, esto demuestra que Marko puede ofrecer una nueva forma pasiva de seguir los perfiles de salud funcional de pacientes en el hogar.
«Estos son datos interesantes que descubrimos al analizar la información», afirma el primer autor, Chen-Yu Hsu, estudiante de doctorado en el Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL). «Vivimos en un mar de señales inalámbricas, y la forma en que nos movemos y caminamos modifica esos reflejos. Desarrollamos el sistema para que escuche esos reflejos… y así comprender mejor el comportamiento y la salud de las personas».
La investigación está dirigida por Dina Katabi, profesora Andrew y Erna Viterbi de Ingeniería Eléctrica y Ciencias de la Computación y directora del Centro de Redes Inalámbricas y Computación Móvil del MIT (Wireless@MIT). Junto con Katabi y Hsu, son coautores del artículo los estudiantes de posgrado del CSAIL Mingmin Zhao y Guang-He Lee, y el exalumno Rumen Hristov, SM ’16.
Predicción de «segmentos de trayectoria» e identidades
Cuando se instala en un hogar, Marko emite una señal de RF. Al rebotar, esta genera una especie de mapa de calor dividido en «cuadros» verticales y horizontales que indica dónde están las personas en un espacio tridimensional. En el mapa, las personas aparecen como manchas brillantes. Los cuadros verticales captan la estatura y la complexión de la persona, mientras que los horizontales determinan su ubicación general. A medida que las personas caminan, el sistema analiza los cuadros de RF —unos 30 por segundo— para generar trayectorias breves, llamadas segmentos de trayectoria.
Una red neuronal convolucional —un modelo de aprendizaje automático que se usa habitualmente para procesar imágenes— utiliza esos segmentos de trayectoria para separar los reflejos correspondientes a determinadas personas. Para cada persona que detecta, el sistema crea dos «máscaras de filtrado», pequeños círculos alrededor de ella. Estas máscaras básicamente filtran todas las señales que quedan fuera del círculo, lo que permite fijar la trayectoria y la estatura de la persona mientras se mueve. Al combinar toda esta información —estatura, complexión y movimiento—, la red asocia reflejos de RF concretos con personas determinadas.
Pero para asignar identidades a esas manchas anónimas, primero hay que «entrenar» el sistema. Durante unos días, las personas llevan sensores acelerómetros de baja potencia que pueden utilizarse para etiquetar las señales de radio reflejadas con sus respectivas identidades. Durante el entrenamiento, Marko primero genera los segmentos de trayectoria de los usuarios, como lo hace en la práctica. Luego, un algoritmo correlaciona ciertos rasgos de aceleración con rasgos de movimiento. Por ejemplo, cuando los usuarios caminan, la aceleración oscila con cada paso, pero se convierte en una línea plana cuando se detienen. El algoritmo encuentra la mejor correspondencia entre los datos de aceleración y el segmento de trayectoria, y etiqueta este último con la identidad del usuario. De este modo, Marko aprende qué señales reflejadas se correlacionan con identidades concretas.
Los sensores nunca necesitan cargarse y, una vez terminado el entrenamiento, las personas no tienen que volver a llevarlos. En las instalaciones en hogares, Marko pudo asignar identidades a personas en casas nuevas con una precisión de entre el 85 y el 95 por ciento.
Lograr un buen equilibrio en la recopilación de datos
Los investigadores esperan que los centros de atención médica utilicen Marko para monitorizar de forma pasiva, por ejemplo, cómo interactúan los pacientes con sus familiares y cuidadores, y si reciben sus medicamentos a tiempo. En un centro de vida asistida, por ejemplo, los investigadores registraron las horas concretas en que una enfermera se dirigía al armario de medicamentos de la habitación de un paciente y luego a su cama. Esto indicaba que la enfermera había administrado el medicamento al paciente en esos momentos.
El sistema también podría sustituir los cuestionarios y diarios que psicólogos o científicos del comportamiento utilizan actualmente para recopilar datos sobre la dinámica familiar, las rutinas diarias o los patrones de sueño de las personas participantes en sus estudios, entre otros comportamientos. Esos métodos tradicionales de registro pueden ser imprecisos, contener sesgos y no son adecuados para estudios a largo plazo, en los que quizá haya que recordar qué se hizo días o semanas atrás. Algunos investigadores han empezado a equipar a las personas con sensores portátiles para monitorizar sus movimientos y datos biométricos. Sin embargo, los pacientes de edad avanzada, en particular, suelen olvidarse de ponérselos o cargarlos. «La motivación aquí es diseñar mejores herramientas para los investigadores», afirma Hsu.
¿Por qué no instalar cámaras? Para empezar, eso exigiría que alguien observara y registrara manualmente toda la información necesaria. Marko, en cambio, etiqueta automáticamente patrones de comportamiento —como el movimiento, el sueño y la interacción— y los vincula con zonas, días y horas concretos.
Además, el vídeo es mucho más invasivo, añade Hsu: «A la mayoría de las personas no les resulta cómodo que las graben todo el tiempo, sobre todo en su propia casa. Usar señales de radio para hacer todo este trabajo logra un buen equilibrio: permite obtener cierta información útil sin que la gente se sienta incómoda».
Katabi y sus estudiantes también planean combinar Marko con su trabajo anterior sobre la inferencia de la respiración y la frecuencia cardíaca a partir de las señales de radio del entorno. Entonces, Marko se utilizará para asociar esos datos biométricos con las personas correspondientes. También podría seguir la velocidad al caminar, un buen indicador de la salud funcional de los pacientes de edad avanzada.
«El potencial es inmenso», afirma Cecilia Mascolo, profesora de sistemas móviles en el Departamento de Ciencias de la Computación y Tecnología de la Universidad de Cambridge. «En comparación con la captación de imágenes mediante cámaras, ofrece un modelo de recopilación de información con menos datos y más específico, algo muy positivo desde la perspectiva de la privacidad de los usuarios. Sin embargo, los datos recopilados siguen siendo muy completos, y la evaluación del artículo muestra una precisión que puede hacer posibles muchas aplicaciones útiles, por ejemplo, en la atención a las personas mayores, el seguimiento de la adherencia a los tratamientos o incluso la atención hospitalaria».
«Sin embargo, como comunidad, debemos ser conscientes de los riesgos para la privacidad que conlleva este tipo de tecnología», añade Mascolo. Según ella, deben considerarse ciertas técnicas computacionales para garantizar que los datos sigan siendo privados.
