El Wi-Fi de los hogares podría salvar vidas

Los enrutadores Wi-Fi transmiten continuamente frecuencias de radio que sus teléfonos, tabletas y computadoras captan y usan para conectarse. A medida que las frecuencias invisibles viajan, rebotan o atraviesan todo lo que las rodea: las paredes, los muebles e incluso usted. Tus movimientos, incluso la respiración, alteran ligeramente la ruta de la señal desde el enrutador hasta tu dispositivo.

Esas interacciones no interrumpen su conexión a Internet, pero podrían señalar cuando alguien está en problemas. NIST ha desarrollado un algoritmo de aprendizaje profundo , llamado BreatheSmart, que puede analizar esos cambios minúsculos para ayudar a determinar si alguien en la habitación tiene dificultades para respirar. Y puede hacerlo con enrutadores y dispositivos Wi-Fi ya disponibles. Este trabajo fue publicado recientemente en IEEE Access .

En 2020, los científicos del NIST querían ayudar a los médicos a combatir la pandemia de COVID-19. Los pacientes fueron aislados; los ventiladores eran escasos. Investigaciones anteriores habían explorado el uso de señales Wi-Fi para detectar personas o movimiento, pero estas configuraciones a menudo requerían dispositivos de detección personalizados, y los datos de estos estudios eran muy limitados.

"Mientras el mundo de todos se ponía patas arriba, varios de nosotros en el NIST estábamos pensando en qué podíamos hacer para ayudar", dice Jason Coder, quien dirige la investigación del NIST en metrología de espectro compartido. "No tuvimos tiempo de desarrollar un nuevo dispositivo, entonces, ¿cómo podemos usar lo que ya tenemos?"

Trabajando con colegas de la Oficina de Laboratorios de Ciencia e Ingeniería (OSEL) en el Centro de Dispositivos y Salud Radiológica de la FDA, la codificadora e investigadora asociada Susanna Mosleh avanzó una nueva forma de usar los enrutadores Wi-Fi existentes para medir la frecuencia respiratoria de una persona en el cuarto. En Wi-Fi, la "información de estado del canal" o CSI, es un conjunto de señales enviadas desde el cliente (como un teléfono celular o una computadora portátil) al punto de acceso (como el enrutador).

La señal CSI enviada por el dispositivo cliente es siempre la misma y el punto de acceso que recibe las señales CSI sabe cómo debe ser. Pero a medida que las señales CSI viajan a través del entorno, se distorsionan al rebotar o perder fuerza. El punto de acceso analiza la cantidad de distorsión para ajustar y optimizar el enlace.

Estos flujos CSI son pequeños, menos de un kilobyte, por lo que no interfieren con el flujo de datos a través del canal. El equipo modificó el firmware en el enrutador para solicitar estos flujos CSI con más frecuencia, hasta 10 veces por segundo, para obtener una imagen detallada de cómo estaba cambiando la señal.

Instalaron un maniquí que se utiliza para entrenar a profesionales médicos en una cámara anecoica con un enrutador y receptor Wi-Fi comercial estándar. Este maniquí está diseñado para replicar varias condiciones de respiración, desde respiración normal hasta respiración anormalmente lenta (llamada bradipnea), respiración anormalmente rápida (taquipnea), asma, neumonía y enfermedades pulmonares obstructivas crónicas o EPOC.

Lo que altera la señal Wi-Fi es la forma en que el cuerpo se mueve mientras respiramos. Piense en cómo su pecho se mueve de manera diferente cuando respira con dificultad o tose, en comparación con la respiración normal. A medida que el maniquí "respiraba", el movimiento de su pecho alteraba el camino recorrido por la señal de Wi-Fi. Los miembros del equipo registraron los datos proporcionados por los flujos de CSI. Aunque recopilaron una gran cantidad de datos, aún necesitaban ayuda para dar sentido a lo que habían recopilado.

"Aquí es donde podemos aprovechar el aprendizaje profundo ", dijo Coder.

El aprendizaje profundo es un subconjunto de la inteligencia artificial, un tipo de aprendizaje automático que imita la capacidad de los humanos para aprender de sus acciones pasadas y mejora la capacidad de la máquina para reconocer patrones y analizar nuevos datos.

Mosleh trabajó en un algoritmo de aprendizaje profundo para analizar los datos de CSI, comprenderlos y reconocer patrones que indicaban diferentes problemas respiratorios. El algoritmo, al que llamaron BreatheSmart, clasificó con éxito una variedad de patrones respiratorios simulados con el maniquí el 99,54 % de las veces.

"La mayor parte del trabajo que se ha hecho antes estaba trabajando con datos muy limitados", dice Mosleh. "Pudimos recopilar datos con muchos escenarios respiratorios simulados, lo que contribuye a la diversidad del conjunto de entrenamiento que estaba disponible para el algoritmo".

Ha habido mucho interés en el uso de señales Wi-Fi para aplicaciones de detección, dice Coder. Él y Mosleh esperan que los desarrolladores de aplicaciones y software puedan usar el proceso presentado en el trabajo como marco para crear programas para monitorear la respiración de forma remota .

"Todas las formas en que recopilamos los datos se realizan en el software en el punto de acceso (en este caso, el enrutador ), lo que podría hacerse mediante una aplicación en un teléfono", dice Coder. "Este trabajo trata de exponer cómo alguien puede desarrollar y probar su propio algoritmo. Este es un marco para ayudarlos a obtener información relevante".

Fuente: Susanna Mosleh et al, Monitoring Respiratory Motion with Wi-Fi CSI:Characterizing performance and the BreatheSmart Algorithm, IEEE Access (2022). DOI: 10.1109/ACCESO.2022.3230003