AI人工智慧教导Wi-Fi装置如何估测人体姿势为何，甚至还有穿墙透视的功能，此一成果来自MIT Computer Science and Artificial Intelligence Laboratory (CSAIL)的科学家，未来有??应用於医疗领域，监控慢性疾病的演变。

上：镜头收集的真实影像；中：射频讯号描绘出的影像(Keypoint confidence maps)；下：经训练後的结果，以动态火柴人型式呈现。

RF-Pose是一个人工智慧神经网路系统，可分析来自Wi-Fi装置的射频(RF)讯号碰到环境物体的反射讯号，描绘成Keypoint confidence maps(如图所示)，最後再将分析结果以2D火柴人影像呈现。

目前透过镜头(Camera)来监测人事物的应用很多，但研究团队发现，透过Camera来监控人体姿势和动作，最大的问题在於当人走到障碍物後面，Camera就无法录到人体的动作，但透过射频讯号便可解决这个问题，因为射频是一种可以穿透障碍物的讯号，即使人体被墙壁遮住，依然能够撷取到人体的姿势影像。

此项研究的资料来自於同步撷取的射频讯号影像和真实影像，资料中包括人们日常生活中会表现出的动作和姿势，如慢跑、走路、坐下、阅读等，团队在校园的的50个环境中进行连续50小时的资料搜集。

研究团队在RF-Pose计画中遇到的挑战之一，便是模型训练(model training)时没有预测的答案(labelled data)，因此不知道训练後会呈现甚麽样的结果，而仅凭射频讯号描绘出的影像也不足以解释人体的动作。

因此，团队在模型训练时，在无线感测器旁设置了网路摄影机，同时取得射频讯号影像和真实影像，而这两种影像是同步的(synchronized)，将这两种资料输入(input)至训练模型中，透过模型训练，缩小真实影像和射频讯号影像结果输出(output)的差异，让机器学习如何透过射频讯号来估测人体的动作，最後研究团队成功让系统不需要真实影像，也能尽凭射频讯号就估测出人体的姿势为何，准确率达83.4%。

这项研究可应用於慢性疾病(如帕金森氏症、多发性硬化症)演变的监测，以往使用者都要配戴某种感测器在身上，才能进行连续性的监测，若使用这项技术，以後在家都不用一直配戴XX感测器，目前研究团队正努力进一步将2D影像升级为3D影像的呈现。