Inteligência Artificial Pode Identificar uma Pessoa a Partir de um Único Passo

Uma nova iniciativa de pesquisa produziu um sistema de baixo custo capaz de identificar uma pessoa com base no som dos seus passos, a partir de tão pouco quanto um único passo.

No artigo Passive mUlti-peRson idEntification via Deep Footstep Separation and Recognition (PURE), uma colaboração entre pesquisadores da Universidade Tecnológica de Nanyang e da Universidade de Kentucky, entre outros, as taxas de identificação foram estabelecidas em até 90%, a partir de amostras de áudio extremamente breves.

Cinco perfis de passos distintivos capturados no PURE.

A arquitetura do PURE depende de dados de uma matriz de microfones de commodity, com a captura de áudio bruto desruído via subtração espectral de fundo background. Onde a relação sinal-ruído é alta, incluindo conversas que ocorrem no momento da captura, um algoritmo de separação de fonte é ativado para realizar a extração discreta dos passos.

O áudio do passo é esclarecido e analisado via domain adversarial adaptation, com a estrutura compreendendo um extrator de recursos, um preditor de identidade e um discriminador de domínio.

Hardware para PURE

O equipamento utilizado para o PURE é uma matriz de microfones incorporada em uma estrutura personalizada baseada no Raspberry Pi 4.

Os microfones capturam áudio na taxa mais alta disponível para sinais “structure borne” (pés em contato com o chão), desde que esses dados sejam de duração extremamente curta e precisam ser tão detalhados quanto possível. No entanto, os passos “air-borne” (o som que os pés fazem no arco em direção ao próximo contato com o chão) são reduzidos para 16kHz para economizar capacidade de processamento local para passos “structure-borne”.

Os pesquisadores sintetizaram um conjunto de dados de treinamento a partir do Footsteps Sound Effects Soundboard, bem como do Footsteps Sound Effects da Epidemic Sound. O componente de áudio de vários Ted Talks foi usado para produzir dados de treinamento para o processo de extração de passos de conversas de fundo.

Prevenindo ‘Replay Attacks’ no Reconhecimento de Passos

Um sistema como esse precisa ser resistente a “replay attacks”, onde um mal-intencionado pode gravar um padrão de passo particular e reproduzi-lo na esperança de que o sistema o identifique como um usuário ao vivo.

Para impedir isso, o PURE analisa o Tempo de Chegada (ToA) em passos de “contato” e o Ângulo de Chegada (AoA) em passos “air-borne”.

A falta de informações dinâmicas nos passos reproduzidos os revela bastante facilmente, embora seja necessário levar isso em conta ao processar os dados. Ao observar a irregularidade natural dos passos e também sua velocidade no contexto do ambiente (já que é improvável que alguém corra ou ande devagar, por exemplo, em um ambiente de escritório), é possível garantir que os dados recebidos sejam autênticos.

O projeto usa técnicas de beamforming para calcular o ToA, mas a extração do AoA é mais complexa, exigindo uma rede neural R-Net que, novamente, usa aprendizado adversarial para calcular a faixa de um passo. Essencialmente, é o mesmo modelo que a rede neural anterior, exceto que o preditor de identidade é substituído por um estimador de faixa.

Precisão

O PURE foi testado em uma ampla gama de ambientes acústicos e usando uma variedade de velocidades de caminhada sobre uma faixa de distâncias. À medida que o número de pessoas que criam passos aumenta, a precisão cai naturalmente, assim como quando a velocidade de múltiplas fontes de passos aumenta.

No entanto, dependendo da adaptação de domínio, os resultados de 100 ensaios encontraram que o sistema poderia identificar um usuário a partir de 3-5 passos com uma faixa de precisão de 90,73% a 96,53%; a partir de 2-3 passos com uma faixa de precisão de 88,16% a 95,92%; e a partir de um único passo com uma faixa de precisão de 81,75% a 88,6%.

Os pesquisadores preveem uma ampla aplicabilidade para o PURE, devido ao baixo custo do hardware de commodity envolvido e ao fato de que também supera sistemas semelhantes em termos de latência e precisão, enquanto é robusto a interferências ambientais e ataques de reprodução.

O Crescimento da Análise de Passo

Essa esfera particular de pesquisa de aprendizado de máquina se concentrou principalmente na visão computacional nos últimos dez anos e recebeu um impulso cultural quando usado como um dispositivo de trama em Mission Impossible: Rogue Nation (2015).

Até o momento, as tecnologias de reconhecimento de passo foram propostas para uso em cuidados com idosos, reabilitação pós-cirúrgica e, de forma mais controversa, para servir anúncios personalizados em ambientes de varejo, embora um sistema como esse obviamente tenha usos potenciais para monitoramento de funcionários em ambientes seguros.

Em 2018, foi relatado que as autoridades chinesas usam análise de passo baseada em visão da empresa de desenvolvimento de IA Watrix como um aspecto em seus sistemas de vigilância pública de circuito fechado.

O reconhecimento de passo também foi implementado por monitoramento da reflexão de sinais Wi-Fi.

No entanto, todas essas abordagens têm limitações inerentes, seja exigindo condições de iluminação que não podem ser garantidas, vistas não obstruídas, equipamentos especializados proibitivamente caros, condições locais excessivamente específicas ou equipamentos corporais, entre outros obstáculos.