Inteligența Artificială Poate Identifica o Persoană Dintr-un Singur Pas

O nouă inițiativă de cercetare a produs un sistem cu cost redus, capabil să identifice o persoană pe baza sunetului pașilor săi, chiar și dintr-un singur pas.

În articol Passive mUlti-peRson idEntification via Deep Footstep Separation and Recognition (PURE), o colaborare între cercetători de la Universitatea Tehnică Nanyang și Universitatea din Kentucky, printre alții, ratele de identificare au fost stabilite la până la 90%, din mostre audio extrem de scurte.

Cinci profiluri distinctive de pași capturate în PURE.

Arhitectura pentru PURE se bazează pe date de la o matrice de microfoane comerciale, cu captura raw a sunetului denumită prin substracție spectrală de fond. În cazul în care raportul semnal/zgomot este ridicat, inclusiv conversația care are loc în momentul capturii, un algoritm de separare a surselor este activat pentru a efectua extragerea discretă a pașilor.

Sunetul pașilor este clarificat și analizat prin adaptare adversă de domeniu, cu un cadru care cuprinde un extractor de caracteristici, un predictor de identitate și un discriminator de domeniu.

Hardware pentru PURE

Echipamentul utilizat pentru PURE este o matrice de microfoane încorporată într-un suport personalizat bazat pe Raspberry Pi 4.

Microfoanele capturează sunetul la cea mai mare rată disponibilă pentru semnale “structurale” (picioarele care ating pământul), deoarece aceste date sunt de durată extrem de scurtă și trebuie să fie cât mai detaliate posibil. Cu toate acestea, pașii “aerieni” (sunetul pe care îl fac picioarele în arc spre următorul contact cu pământul) sunt redimensionați la 16kHz pentru a salva capacitatea de procesare locală pentru pașii “structurale”.

Cercetătorii au creat un set de date de antrenament din Footsteps Sound Effects Soundboard, precum și din Footsteps Sound Effects de la Epidemic Sound. Componenta audio din diversele discursuri Ted a fost utilizată pentru a produce date de antrenament pentru procesul de extragere a pașilor din conversația de fond.

Prevenirea atacurilor de “repetiție” în recunoașterea pașilor

Un sistem de acest tip trebuie să fie rezistent la atacuri de “repetiție”, în care un atacator ar putea înregistra un anumit model de pași și să-l reproducă în speranța că sistemul îl va identifica ca pe un utilizator live.

Pentru a preveni acest lucru, PURE analizează Timpul de Sosire (ToA) în pașii “de contact” și Unghiul de Sosire (AoA) în pașii “aerieni”.

Lipsa de informații dinamice în pașii reproducți îi revelează destul de ușor, deși este necesar să se țină cont de acest lucru la procesarea datelor. Prin observarea iregularității naturale a pașilor și, de asemenea, a vitezei în contextul mediului (deoarece este puțin probabil ca cineva să alerge sau să se grăbească, de exemplu, într-un mediu de birou), este posibil să se asigure că datele primite sunt autentice.

Proiectul utilizează tehnici de formare de fascicul pentru a calcula ToA, dar extragerea AoA este mai complexă, necesitând o rețea neurală R-Net care, la rândul său, utilizează învățarea adversă pentru a estima raza unui pas. Acesta este, în esență, același model ca și rețeaua neurală anterioară, cu excepția faptului că predictorul de identitate este înlocuit cu un estimator de rază.

Acuratețe

PURE a fost testat într-o gamă largă de medii acustice și utilizând o varietate de viteze de mers pe o distanță variabilă. Pe măsură ce numărul de persoane care creează pași crește, acuratețea scade în mod natural, la fel ca și atunci când viteza surselor multiple de pași crește.

Cu toate acestea, în funcție de adaptarea de domeniu, rezultatele obținute în 100 de încercări au arătat că sistemul poate identifica un utilizator din 3-5 pași cu o acuratețe cuprinsă între 90,73% și 96,53%; din 2-3 pași cu o acuratețe cuprinsă între 88,16% și 95,92%; și dintr-un singur pas cu o acuratețe cuprinsă între 81,75% și 88,6%.

Cercetătorii prevăd o aplicabilitate largă pentru PURE, datorită costului redus al echipamentului comercial implicat și faptului că acesta depășește sistemele similare în ceea ce privește latența și acuratețea, în timp ce este robust la interferențele mediului și atacurile de repetiție.

Crescerea analizei mersului

Această sferă particulară de cercetare a învățării mașinilor s-a concentrat în principal pe viziunea computerizată în ultimii zece ani și a primit un impuls cultural atunci când a fost utilizat ca un dispozitiv de intrigă în Mission Impossible: Rogue Nation (2015).

Până în prezent, tehnologiile de recunoaștere a mersului au fost propuse pentru utilizare în îngrijirea bătrânilor, reabilitarea post-chirurgicală și, mai controversat, pentru servirea de publicitate personalizată în medii de vânzare cu amănuntul, deși un astfel de sistem are, în mod evident, utilizări potențiale pentru monitorizarea angajaților în medii securizate.

În 2018, a fost raportat că autoritățile chineze utilizează analiza vizuală a mersului de la compania de dezvoltare AI Watrix ca o fațetă a sistemelor sale de supraveghere publică cu circuit închis.

Recunoașterea mersului a fost, de asemenea, implementată prin monitorizarea reflexiei semnalelor Wi-Fi.

Cu toate acestea, toate aceste abordări au limitări inerente, fie necesitând condiții de iluminare care nu pot fi garantate, vedere neîntreruptă, echipament specializat prohibitiv de scump, condiții locale foarte specifice sau echipament purtat pe corp, printre alte obstacole.