（文章來源：Tech Xplore）
紐約雪城大學的研究者們最近發明了一種通過分析周圍環境的射頻信號來檢測給定環境中人們的出席情況的系統。arXiv雜志預先發表的一篇文章介紹了這一基于大量射頻數據訓練的卷積神經網絡新系統。進行這項研究的一名研究者Biao Chen對TechXplore說：“最初，我們嘗試利用深度學習分析無源射頻信號檢測戶外無人機。但結果不盡如人意——某些天有效果，隔幾天又不好用了。”

Chen和他的團隊成員在研發一個可以檢測室外環境中是否有無人機存在的系統進行了一段時間的嘗試。然而，他們不久便意識到僅僅通過分析無源射頻信號來持續檢測無人機是不可能的，因為他們無法控制無人機的周圍環境。該系統被設計為抽取由無人機移動產生的傳輸信號變化射頻特征，但因此也會受到駛過的車輛、遛狗的行人以及其他任何進入周圍環境的物體影響。

Chen解釋道：“在無人機實驗中，我們始終無法獲得一致的結果。然而，我們開發的學習系統很容易適應室內應用，室內環境更容易控制和校準。這最終引導我們開發出一款以深度學習為基礎，利用周圍WiFi信號來檢測‘在場’情況的系統。”

房間內以及其他室內環境中人們的在場情況可通過多種方式改變射頻信號的傳播。通過預處理射頻信號測量結果，研究者們可以生成“圖像”來描述信號，反之又可以通過這些“圖像”來分析在一個特定環境中人們的在場情況。之后他們利用大量的數據對卷積神經網絡進行訓練，其中包括振幅和相位信息，這是射頻信號的兩個重要特性。一段時間后，深度學習算法學會了通過分析信道狀態信息（CSI）分辨特定環境中有人和無人的狀態。

“利用WiFi，藍牙，蜂窩信號這些無處不在的射頻信號來獲取情境感知信息，實現了現有射頻基礎設施的增值。”Chen說，“比方說在占用率檢測中，射頻傳感可以是一種低成本且無額外基礎設施的替代方案，也可以是對現有方法的補充。”

Chen和他的團隊成員利用現有的WiFi設備在實驗室中進行了一系列試驗對該卷積神經網絡系統進行評估。他們的系統幾乎在所有的情況下都能準確地檢測到人類的存在，效果優于幾種最先進的被動紅外傳感器。未來，該系統將會衍生出許多有用的應用。比如說，它可以用于檢測人類在一個受限制或者一個私人領域內的存在情況。獲取與占用率和人們的實時在場數據也有助于提高建筑的智能化，減少能源的消耗（例如用于空調的采暖與通風以及控制照明）。

“深度學習常被吹捧為是利用數據驅動的，”Chen說，“但另一方面，對數據處理的要求（無論對于數量還是質量）也是壓倒性的。為了使技術真正實用，最終用戶不應承受數據收集和處理所帶來的負擔。因此，我們目前和今后的工作將著重于實現不需要收集運動數據就能獲得可靠的存在情況檢測結果。”
（責任編輯：fqj）