来自麻省理工学院计算机科学与人工智能实验室的无线智能家居系统，能够帮助监测疾病，让老年人“老有所属”（老年人能够更独立的生活）。
拥有像 X 光一样的透视能力长久以来似乎都还是科幻小说中出现的超能力，不过在最近十年，一个由麻省理工学院计算机科学与人工智能实验室（Computer Science and Artificial Intelligence Laboratory，CSAIL） Dina Katabi 教授领导的团队，正持续地开发“穿墙透视”技术。
他们最新的项目，“RF-Pose” ，正使用 AI 训练无线设备感知人类的姿态和运动。这项技术甚至可以穿墙观察墙对面的情况。
研究人员使用神经网络分析从人类身体上反射的无线电波，然后生成简略动态骨架结构图（火柴人图）来展示人类行走、停下、坐下和四肢移动的动作。
该团队称，“RF-Pose” 项目的技术能够被用来监测类似帕金森、多发性硬化症和肌肉萎缩症等疾病，为医生提供更多信息，从而对症下药。这项技术也将通过监测跌倒、受伤和运动模式的变化，来帮助老年人能够更独立的生活。他们现在正和医生们合作，来探索 “RF-Pose” 在医疗领域的应用。
团队收集的所有数据都得到了受试者同意，并且经过匿名加密以保护隐私。在未来应用方面，他们计划执行一套“许可机制”：受试者通过进行一系列运动来启动设备的监测。
论文共同作者 Katabi 说：“我们发现，通过监测病人的行走速度和基本活动，医生能够从新的角度获得一些对治疗疾病有意义的信息。我们使用方法的主要优势在于，病患们不需要穿戴或调整任何设备，就能实现监测于无形。”
除了医疗健康领域的应用，团队表示，该项目还可以用在需要玩家在整个房子中移动的视频游戏中，或者需要定位幸存者的搜救任务等。
除了 Dina Katabi 教授，该论文的作者还包括博士生 Mingmin Zhao（赵明民，一作）、Antonio Torralba 教授 、硕士生 Tianhong Li、博士后 Mohammad Abu Alsheikh、 博士生 Yonglong Tian、 博士生 Hang Zhao。
他们将在本月晚些时候在犹他州盐湖城召开的计算机视觉与模式识别会议（Conference on Computer Vision and Pattern Recognition，CVPR）上展示这一成果。
对研究人员来说这个项目最大的挑战是，大多数神经网络都需要人工标注的数据集来进行训练。以一个识别猫的神经网络为例，其需要人们找到一个很大的图片数据库，并且将其中的图片都标注为“是猫”和“不是猫”。另外，人工标注项目中所用的无线信号并不容易。
为了解决这一难题，研究者使用无线设备和摄像头来采集数据。他们拍摄了数千张人类活动场景（如行走、说话、坐下、开门和等电梯）的照片。
随后，他们从这些相机拍摄的照片提取出不同姿势的人类简略骨架（火柴人图，用于表示人体姿态），将其与无线信号对应起来。这样的组合能让系统学习出场景中无线信号和火柴人图之间的关联。
在训练后，“RF-Pose” 能够通过人类人体反射的无线信号来估计人类的姿势和运动，而不再依赖于照片。
由于摄像头不能穿墙透视，神经网络从未使用过隔墙场景下的数据进行训练。不过让 MIT 团队十分惊讶的是，这个神经网络能够举一反三来实现“隔墙透视”预测。
Torralba 说：“如果你把计算机视觉系统当成一个老师，那么这个例子真的很有趣，作为学生的无线信号观测系统居然比老师还厉害了。”
除了检测运动，作者还展示了使用无线信号识别身份的技术。他们通过观测无线信号识别一组 100 个人的身份，能达到 83% 的识别正确率。这种技术将在需要识别特定人身份的搜救行动中非常有帮助。
在这篇论文中，模型的输出是二维的火柴人骨架图。不过该团队正在将其扩展到三维，以监测更小幅度的运动。比如，这个系统将能够通过观察老年人的手的摆动规律，来确定是否需要健康检查。
赵明民表示：“通过视觉数据和 AI 结合实现穿墙观测，通过视觉数据和 AI 结合实现穿墙观测，我们能够更好地理解生活场景，提供让生活更安全，高效的环境。”