尊重隐私的智能家居系统

通过感知人类活动并相应调整环境设置，智能家居系统可以帮助建造更节能、更可持续的建筑。然而，当涉及到这些监控人们活动的系统时，面对隐私问题，智能家居系统可能需要大量的数据处理来学习如何应对给定的环境。

一个名为“Chameleon”的新智能系统旨在解决这两个问题。它最近在两种不同的环境中进行了为期一个月的测试，仅经过一周的训练，就能够以87%到99%的准确率预测人类活动。该研究结果发表在4月6日的《IEEE物联网》杂志上。

Andres Rico是麻省理工学院媒体实验室城市科学组的研究生研究助理，参与了这项研究。他和同事们围绕二氧化碳和被动红外（PIR）传感器构建了他们的系统。Rico解释说：“二氧化碳和PIR数据本质上不具有侵入性。”他指出，基于摄像头或其他光学系统的系统可能会引发隐私问题。

二氧化碳和红外传感可以用于估计各种情况，例如房间里的人数和他们的呼吸强度，这可以指示出休息或活动状态。每个场景都有独特的二氧化碳和红外特征，可以使用机器学习进行分析。

MIT MEDIA LAB

Chameleon智能家居系统使用有监督和无监督的机器学习算法。因此，该系统已经掌握了一些关于如何评估任何环境的一般知识，但它也可以学会区分其新环境的独特变量。Rico说，这种组合可以减少校准和维护系统的时间和成本。

麻省理工学院的研究人员在两种不同的环境中对Chameleon进行了测试：一个只有少数员工的办公室和一个每天有15到20人的教室。包括电路板、二氧化碳和PIR传感器在内的所有组件都组合在一个单元上，并安装在墙上。

虽然这项研究持续了一个月，但结果表明，智能家居系统能够在仅仅一周的训练后，就对房间内进行的活动进行高精度分类。Rico说：“该系统在完全不同的房间内提供这些结果，这对于将这些设备扩展到更多的建筑和用例非常有价值。”

他说，他的团队希望将Chameleon融入更多的现实空间中，帮助创造更智能的建筑。例如，它可以帮助一个单独的房间用于各种各样的活动（例如，视频会议、锻炼、睡觉、和朋友吃饭），并对每个活动做出适当的反应。

Rico表示：“这些系统还可以集成到数字城市规划过程中，以便告知社区他们如何使用空间，以便就办公室、教室、公园、住宅等的变更、运营和维护政策达成共识。”