La IA puede identificar a una persona con un solo paso

Una nueva iniciativa de investigación ha producido un sistema de bajo costo capaz de identificar a una persona en función del sonido de sus pasos, a partir de un solo paso.

En el documento Identificación pasiva de múltiples personas a través de la separación y reconocimiento de pasos profundos (PURE), una colaboración entre investigadores de la Universidad Tecnológica de Nanyang y la Universidad de Kentucky, entre otros, se establecieron tasas de identificación de hasta el 90%, a partir de muestras de audio extremadamente breves.

Cinco perfiles de pasos distintivos capturados en PURE.

La arquitectura para PURE se basa en datos de una matriz de micrófonos de commodity, con la captura de audio cruda desenoizada a través de la sustracción espectral de fondo. Donde la relación señaligeno es alta, incluyendo conversaciones que ocurren en el momento de la captura, se activa un algoritmo de separación de fuentes para realizar la extracción discreta de los pasos.

El audio de los pasos se clarifica y analiza a través de la adaptación adversa de dominio, con un marco que comprende un extractor de características, un predictor de identidad y un discriminador de dominio.

Hardware para PURE

El equipo utilizado para PURE es una matriz de micrófonos integrada en un soporte personalizado basado en Raspberry Pi 4.

Los micrófonos capturan audio a la tasa más alta disponible para señales de “estructura nacida” (pies que entran en contacto con el suelo), ya que estos datos son de duración extremadamente corta y necesitan ser lo más detallados posible. Sin embargo, los pasos transmitidos por el aire (el sonido que hacen los pies en el arco hacia el próximo contacto con el suelo) se reducen a 16 kHz para ahorrar capacidad de procesamiento local para los pasos de estructura nacida.

Los investigadores sintetizaron un conjunto de datos de entrenamiento a partir de la Tarjeta de sonidos de pasos, así como de Sonidos de pasos de Epidemic Sound. El componente de audio de varios Ted Talks se utilizó para producir datos de entrenamiento para el proceso de extracción de pasos de conversaciones de fondo.

Prevención de ‘ataques de reproducción’ en el reconocimiento de pasos

Un sistema de este tipo necesita ser resistente a los ‘ataques de reproducción’, donde un malhechor podría grabar un patrón de paso particular y reproducirlo con la esperanza de que el sistema lo identifique como un usuario en vivo.

Para frustrar esto, PURE analiza el Tiempo de Llegada (ToA) en pasos de ‘contacto’ y el Ángulo de Llegada (AoA) en pasos transmitidos por el aire.

La falta de información dinámica en los pasos reproducidos los revela bastante fácilmente, aunque es necesario tener en cuenta esto al procesar los datos. Al observar la irregularidad natural de los pasos y también su velocidad en el contexto del entorno (ya que es poco probable que uno corra o se demore, por ejemplo, en un entorno de oficina), es posible asegurarse de que los datos que se reciben sean auténticos.

El proyecto utiliza técnicas de formación de haz para calcular el ToA, pero la extracción de AoA es más compleja, lo que requiere una red neuronal R-Net que, nuevamente, utiliza el aprendizaje adverso para calcular el rango de un paso. Esto es esencialmente el mismo modelo que la red neuronal anterior, excepto que el predictor de identidad se sustituye con un estimador de rango.

Precisión

PURE se probó en una amplia gama de entornos acústicos y utilizando una variedad de velocidades de caminata sobre una gama de distancias. A medida que aumenta el número de personas que crean pasos, la precisión disminuye naturalmente, al igual que cuando aumenta la velocidad de múltiples fuentes de pasos.

Sin embargo, dependiendo de la adaptación de dominio, los resultados de 100 pruebas encontraron que el sistema podría identificar a un usuario desde 3-5 pasos con un rango de precisión del 90,73% al 96,53%; desde 2-3 pasos con un rango de precisión del 88,16% al 95,92%; y desde un solo paso con un rango de precisión del 81,75% al 88,6%.

Los investigadores prevén una amplia aplicabilidad para PURE, debido al bajo costo del hardware de commodity involucrado y al hecho de que también supera a sistemas similares en términos de latencia y precisión, mientras que es robusto a la interferencia ambiental y los ataques de reproducción.

El crecimiento del análisis de paso

Esta esfera particular de la investigación de aprendizaje automático se ha centrado principalmente en la visión por computadora durante los últimos diez años y recibió un impulso cultural cuando se utilizó como un dispositivo de trama en Misión imposible: Nación secreta (2015).

Hasta la fecha, las tecnologías de reconocimiento de paso se han propuesto para su uso en atención a personas mayores, rehabilitación postoperatoria y, de manera más controvertida, para la publicidad personalizada en entornos minoristas, aunque un sistema de este tipo obviamente tiene usos potenciales para el monitoreo de empleados en entornos seguros.

En 2018 se informó que las autoridades chinas utilizan el análisis de paso basado en visión de la empresa de desarrollo de IA Watrix como un aspecto de sus sistemas de vigilancia pública de circuito cerrado.

El reconocimiento de paso también se ha implementado mediante el monitoreo de la reflectancia de las señales de Wi-Fi.

Sin embargo, todos estos enfoques tienen limitaciones inherentes, ya que requieren condiciones de iluminación que no se pueden garantizar, vistas no obstaculizadas, equipo especializado prohibitivamente costoso, condiciones locales muy específicas o equipo que se lleva puesto, entre otros obstáculos.