Resumo do Orçamento CNPq
Faixa 1 – Colaboração Internacional
Fusão de Dados CSI e Imagens Térmicas Para Identiticação Confiável de Atividades Humanas
Proposta de Projeto – CNPq Chamada nº 16/2025
Faixa 1 – Colaboração Internacional
Título do Projeto: Seleção de Portadoras e Fusão de Dados CSI com Imagens Térmicas Para Identiticação Confiável de Atividades Humanas
Coordenador: Prof. Dr. Cledson de Sousa – Universidade Federal Fluminense (UFF)
Instituição Parceira no Exterior: Brunel University of London – Prof.: George Ghinea\
Resumo
O cenário pós-COVID-19 evidenciou a urgência de soluções eficazes e de baixo custo para o monitoramento remoto de pacientes, especialmente idosos e portadores de doenças infectocontagiosas, que necessitam de acompanhamento contínuo sem exposição a ambientes hospitalares. O barateamento de dispositivos sem fio e a ubiquidade das redes Wi-Fi, particularmente aquelas capazes de disponibilizar a Informação do Estado do Canal (CSI), que descreve, com alta resolução, como o sinal eletromagnético é afetado pelo ambiente em cada subportadora Orthogonal Frequency Division Multiplexing (OFDM). Tal tecnologia abre caminho para sistemas capazes de inferir movimentos e atividades humanas a partir de variações no campo eletromagnético causadas pela presença e deslocamento de pessoas [@sousa2024subcarrier; @soto2023single; @galdino2023ehealth]. Esse avanço ampliou as possibilidades de monitoramento ambiental acessível e não intrusivo. Nesse contexto, cresce o interesse por tecnologias que conciliem eficiência, privacidade e baixo custo, eliminando a necessidade de câmeras ou sensores corporais.
A Identificação de Atividades Humanas (HAR) surge como elemento central em aplicações de saúde [@allan2025TransformerCSI], segurança e automação residencial [@bouchabou2021survey], viabilizando desde o acompanhamento clínico remoto até a detecção precoce de quedas e comportamentos anômalos. Contudo, persistem desafios técnicos relevantes. Abordagens visuais, embora precisas, comprometem a privacidade e são vulneráveis a oclusões e variações de iluminação. Já as soluções baseadas exclusivamente em CSI, obtido a partir de sinais Wi-Fi ubíquos e pontos de acesso de baixo custo, preservam a privacidade e dispensam sensores vestíveis, mas ainda carecem de maior precisão e robustez em ambientes reais e dinâmicos.
O objetivo principal deste projeto é contribuir com o estado da arte no sentido de indicar soluções para as limitações de cada modalidade individual, propondo e validando uma arquitetura inovadora de fusão de dados CSI e imagens térmicas. A combinação da robustez do CSI frente a oclusões físicas com a resiliência das imagens térmicas a variações de iluminação, decorrente da detecção do calor corporal, resultará em um sistema HAR mais confiável, preciso e aplicável a ambientes reais. Este projeto também dá continuidade ao trabalho iniciado em [@sousa2024subcarrier], aprofundando a análise da seletividade espectral e da complementaridade entre subportadoras, agora estendida ao domínio multimodal.
A metodologia central se concentra no desenvolvimento de um framework de Deep Learning para lidar com a alta dimensionalidade inerente aos dados brutos e ao volume de amostras CSI e de imagens térmicas. Serão investigadas técnicas de redução de dimensionalidade e seleção de features, com o objetivo de otimizar a representação dos dados multimodais e, consequentemente, reduzir o custo computacional e de inferência. Esse esforço permitirá a implementação do sistema HAR em plataformas de borda de rede (edge computing), tornando-o viável para implantação em ambientes residenciais e clínicos.. A expertise em fusão multissensorial da parceria internacional será crucial para o desenvolvimento de arquiteturas de Redes Neurais Profundas (DNNs) capazes de extrair e combinar essas características de forma inteligente.
Este projeto também propõe uma contribuição incremental ao dataset eHealth [@galdino2023ehealth], ampliando-o com novos cenários experimentais e métricas derivadas. Além disso, visa o desenvolvimento de modelos de última geração para sensoriamento sem fio e a divulgação dos resultados em periódicos de alto impacto. A colaboração internacional prevista é estratégica para o intercâmbio de conhecimento e o fortalecimento da capacidade científica e tecnológica nacional, consolidando uma rede de pesquisa em sensoriamento de baixo custo e monitoramento não intrusivo.
Justificativa e Relevância
O presente projeto de pesquisa se situa na confluência de duas das mais promissoras áreas da Engenharia de Telecomunicações e Computação modernas: o sensoriamento baseado em Sinais de Rádio (CSI/sensoriamento sem fio), Visão Computacional e o Aprendizado de Máquinas. A proposta não apenas aborda uma demanda tecnológica premente, mas também promove a necessária cooperação científica internacional para superar desafios complexos.
Contextualização do Tema dentro da Linha de Pesquisa:
Além das motivações de saúde e segurança já mencionadas no Resumo, a Identificação de Atividades Humanas constitui um elemento central para a evolução da Internet das Coisas (IoT) e de sistemas de monitoramento inteligentes. Serve como o pilar para aplicações cruciais em saúde 4.0 (monitoramento de idosos) e segurança. No campo das Telecomunicações, o CSI obtido de APs de baixo custo, oferece sensoriamento não invasivo e preserva a privacidade, sendo robusto a oclusões. No entanto, sua precisão sofre com variações de multipath e ruído em ambientes dinâmicos.
A Imagem Térmica oriunda de dispositivos de baixo custo [@flir-van2019validation] é complementar, fornecendo dados visuais resistentes à variação luminosa. O projeto move a linha de pesquisa de métodos unimodais para uma abordagem multimodal adaptativa, focada na fusão sinérgica de CSI e Imagens Térmicas. Este avanço metodológico visa criar um sistema HAR não só preciso, mas também robusto e com baixo custo de implementação, essencial para a adoção em larga escala.
Lacunas Científicas e Tecnológicas que a Colaboração Internacional Visa Superar:
A lacuna científica que este projeto busca preencher situa-se na ausência de uma abordagem integrada que opere desde as camadas físicas (Camada 1), explorando de forma articulada a seleção espectral de subportadoras, a fusão de dados multimodais e o uso combinado de sensores híbridos CSI e térmicos. Até o momento, a fusão otimizada entre dados de rádio (CSI) e dados térmicos permanece um campo em aberto, com poucas abordagens que explorem de forma sistemática a complementaridade entre informações sensíveis à movimentação, às oclusões e aquelas robustas variações de iluminação e do canal físico propriamente dito. O projeto também prevê a extensão do dataset eHealth [@galdino2023ehealth] com novas coletas CSI–térmicas, contribuindo para o aumento de uma base experimental aberta e padronizada.
A cooperação com o grupo de pesquisa da Brunel University London é estratégica para mitigar...