Los científicos mejoran la seguridad del hogar inteligente con IoT y Wifi artificiales

La inteligencia artificial de las cosas (AIOT), que combina las ventajas de la inteligencia artificial y las tecnologías de Internet de las cosas, se ha vuelto ampliamente popular en los últimos años. A diferencia de las configuraciones típicas de IoT, en las que los dispositivos recopilan y transfieren datos para procesar en otra ubicación, los dispositivos AIOT adquieren datos locales y en tiempo real, lo que les permite tomar decisiones inteligentes. Esta tecnología ha encontrado extensas aplicaciones en fabricación inteligente, seguridad inteligente para el hogar y monitoreo de atención médica.

En la tecnología Smart Home AIOT, el reconocimiento preciso de la actividad humana es crucial. Ayuda a los dispositivos inteligentes a identificar diversas tareas, como cocinar y hacer ejercicio. Según esta información, el sistema AIOT puede ajustar la iluminación o cambiar la música automáticamente, mejorando así la experiencia del usuario al tiempo que garantiza la eficiencia energética. En este contexto, el reconocimiento de movimiento basado en Wifi es bastante prometedor: los dispositivos WiFi son ubicuos, garantizan la privacidad y tienden a ser rentables.

En un nuevo artículo de investigación, un equipo de investigadores, dirigido por el profesor Gwanggil Jeon de la Facultad de Tecnología de la Información de la Universidad Nacional de Incheon, Corea del Sur, ha presentado un nuevo marco AIOT llamado Múltiple Fusion Network (MSF-NET) para WIFI -Conocimiento de actividad humana basada. Sus hallazgos se publican en el IEEE Internet of Things Journal.

El profesor Jeon explica la motivación detrás de su investigación. «Como una aplicación típica de AIOT, el reconocimiento de actividad humana basada en WiFi se está volviendo cada vez más popular en los hogares inteligentes. Sin embargo, el reconocimiento basado en WiFi a menudo tiene un rendimiento inestable debido a la interferencia ambiental. Nuestro objetivo era superar este problema».

Desde este punto de vista, los investigadores desarrollaron el sólido marco de aprendizaje profundo MSF-NET, que logra el reconocimiento de actividad grueso y fino a través de la información de estado de canal (CSI). MSF-NET tiene tres componentes principales: una estructura de doble torrente que comprende una transformación de Fourier a corto plazo junto con una transformación de wavelet discreta, un transformador y una rama de fusión basada en la atención. Mientras que la estructura de doble torrente identifica la información anormal en CSI, el transformador extrae características de alto nivel de los datos de manera eficiente. Por último, la rama de fusión aumenta la fusión del modelo cruzado.

Los investigadores realizaron experimentos para validar el rendimiento de su marco, descubriendo que logra notables puntajes de Kappa de Cohen de 91.82%, 69.76%, 85.91%y 75.66%en SignFi, Widar3.0, UT-Har y CataSets de Ntu-Har, respectivamente. Estos valores resaltan el rendimiento superior de MSF-NET en comparación con las técnicas de última generación para el reconocimiento de actividad gruesa y fina basada en datos WiFi.

«La técnica de fusión de frecuencia multimodal ha mejorado significativamente la precisión y la eficiencia en comparación con las tecnologías existentes, aumentando la posibilidad de aplicaciones prácticas. Esta investigación puede usarse en varios campos, como hogares inteligentes, medicamentos de rehabilitación y cuidado de los ancianos. Por ejemplo, por ejemplo, TI, TI, TI, TI Puede prevenir caídas analizando los movimientos del usuario y contribuir a mejorar la calidad de vida estableciendo un sistema de monitoreo de salud no cara a cara «, concluye el profesor Jeon.

En general, se espera que el reconocimiento de actividad utilizando WiFi, la tecnología de convergencia de IoT y la IA propuesta en este trabajo, mejore enormemente la vida de las personas a través de la conveniencia y la seguridad cotidianas.