Modelado ubicuo del comportamiento para la asistencia de personas mayores en el hogar

Resumen

El envejecimiento de la población está teniendo un impacto muy relevante en los sistemas de salud en todo el mundo. Debido a esta situación, hoy día existe un creciente interés en el desarrollo de sistemas automáticos de supervisión y alarma que faciliten vivir de forma independiente a las personas mayores durante el mayor tiempo posible. Los sistemas de inteligencia ambiental proporcionan una manera sencilla de mejorar la sensación de seguridad de las personas que viven de forma independiente, y permiten a las personas mayores ser más autosuficientes, fomentando su autonomía. Unos indicadores muy comunes para evaluar el bienestar físico y cognitivo de las personas mayores son los cambios o desviaciones en sus Actividades de Vida Diaria (AVDs) y en sus patrones de comportamiento. El conjunto de actividades que se conocen como AVDs son aquellas que se llevan a cabo con una periodicidad diaria y se consideran definitorias del comportamiento general de un individuo. Dentro de esta definición se incluyen actividades tales como asearse, alimentarse o bañarse. Recientes desarrollos relativos a las tecnologías de monitorización hacen posible instrumentar cualquier entorno de un modo sencillo y barato, ofreciendo un mecanismo para poder controlar en todo momento la situación de una vivienda real. En esta tesis doctoral se ha hecho uso de redes de sensores inalámbricos para registrar el comportamiento de las personas en su propia vivienda. Empleando sensores digitales se han controlando tanto el movimiento de los usuarios, como el uso que hacían de electrodomésticos, muebles o puertas. Modelar el comportamiento humano no es un problema trivial, debido a que los datos generados por los sensores son generalmente ruidosos y tienen un comportamiento no determinista, y además cada usuario realiza cada actividad específica de un modo personal y diferente. Modelos probabilísticos clásicos basados en el algoritmo de estimación de máxima verosimilitud han demostrado ofrecer un buen comportamiento en este dominio, sin embargo, dichos modelos son propensos a sobreadaptarse a los datos y generalmente requieren de la aceptación de suposiciones muy estrictas acerca de la distribución de los atributos. En esta tesis doctoral, se aborda el problema de modelar el comportamiento humano a través de dos enfoques de aprendizaje diferentes. Se propone un sistema para el reconocimiento de las AVDs mediante el uso de aprendizaje supervisado, y un método de detección de anomalías que identifica estadísticamente patrones de comportamiento atípicos de un modo no supervisado. Para abordar el problema del reconocimiento de actividades, se presentan dos propuestas basadas en los modelos ocultos de Markov (HMM), a saber: esquemas HMM híbridos y un método de inferencia bayesiano para entrenar un HMM estándar. Un HMM es un modelo probabilístico temporal que puede ser empleado para reconocer actividades humanas de un modo eficaz, pero que requiere asumir condiciones de independencia muy estrictas entre los atributos, que muy probablemente no representan la distribución real de los datos. En este trabajo se muestra cómo la combinación de las capacidades discriminativas de clasificadores bien conocidos, como son las redes de neuronas y las máquinas de vectores de soporte, junto a la capacidad de los HMM de capturar las relaciones temporales de los datos, ofrece una mejor tasa de reconocimiento y un marco más flexible para modelar el espacio de características de los sensores. También se demuestra que las técnicas de simulación estocástica, como el método Montecarlo basado en cadenas de Markov (MCMC), pueden ser empleadas para estimar eficazmente los parámetros de un HMM haciendo uso de estadística bayesiana. Se evitan además los problemas que típicamente acompañan a los métodos clásicos de inferencia basados en máxima verosimilitud, a saber: son numéricamente sensibles, dependen fuertemente de las estimaciones iniciales de los parámetros y su tipo de búsqueda suele conducir a soluciones subóptimas del problema. En lo relativo al método propuesto para la detección no supervisada de anomalías en los patrones del comportamiento, se presenta un algoritmo basado en estadística bayesiana que se puede emplear para identificar comportamientos atíatípicos en una persona de forma eficaz. Los patrones de comportamiento de las personas se modelan estadísticamente mediante tres probabilidades que presentamos en este trabajo. Dichas probabilidades son definitorias de: (1) cúando se activan los sensores, (2) en qué orden y (3) durante cuánto tiempo. El método se basa en una estimación aproximada de las métricas que definen los patrones diarios de las personas, y en unas probabilidades a priori que reflejan un conocimiento previo acerca de cómo deben ser dichas métricas. Estas estimaciones se emplean para detectar signos anómalos en el comportamiento que pudieran indicar un cambio en la salud del usuario. Finalmente, se detalla una propuesta para aplicar los métodos de modelado del comportamiento presentados en múltiples entornos monitorizados, sin necesidad de obtener datos de entrenamiento de cada entorno particular. Tanto los métodos supervisados como los no supervisados, cuando se optimizan para una vivienda, no pueden ser automáticamente empleados para otra vivienda distinta, debido a las diferencias tanto entre el diseño de casas como en el comportamiento de sus habitantes. En esta tesis se presenta un método de transferencia de información para los problemas de reconocimiento de actividades y detección de anomalías que permite emplear el conocimiento adquirido en diferentes viviendas bajo un enfoque bayesiano, y sirve como base para la instalación de los sistemas en un entorno monitorizado completamente nuevo, ofreciendo una solución para aplicar los métodos a mayor escala. En este trabajo de tesis doctoral, se evalúan las diferentes propuestas usando tres conjuntos de datos generados por el sistema de monitorización presentado, y otros tres conjuntos de datos públicos, ampliamente usados en la literatura. Los resultados experimentales han demostrado cómo los modelos HMM híbridos pueden reconocer eficazmente las actividades del usuario, mejorando significativamente tanto a su versión puramente discriminativa como a los modelos generativos. También se ha demostrado cómo el rendimiento de un HMM puede mejorar significativamente si se emplea inferencia bayesiana bajo un algoritmo MCMC. Este método ofrece una búsqueda mucho más completa en el espacio de soluciones, y permite integrar la estimación de la cadena oculta dentro del proceso de inferencia. Finalmente, los resultados de los experimentos en transferencia de información confirman que existe la posibilidad de diseñar métodos que permitan abstraer las capacidades de detección de un entorno automáticamente, siendo posible tener algoritmos de modelado que puedan funcionar en meta espacios de características, y de este modo permitan trasladar el aprendizaje desde un entorno instrumentado a otro. Para concluir, esta tesis doctoral confirma que es posible modelar el comportamiento humano de una forma eficaz mediante un conjunto de sensores inalámbricos sencillos y baratos, empleando tanto enfoques supervisados como no supervisados. -------------------------------------------------------------------------------------------------------------------------------