RT Dissertation/Thesis
T1 Modelado ubicuo del comportamiento para la asistencia de personas mayores en el hogar
A1 Ordóñez Morales, Francisco Javier
AB El envejecimiento de la población está teniendo un impacto muy relevante enlos sistemas de salud en todo el mundo. Debido a esta situación, hoy día existeun creciente interés en el desarrollo de sistemas automáticos de supervisión yalarma que faciliten vivir de forma independiente a las personas mayores duranteel mayor tiempo posible. Los sistemas de inteligencia ambiental proporcionan unamanera sencilla de mejorar la sensación de seguridad de las personas que viven deforma independiente, y permiten a las personas mayores ser más autosuficientes,fomentando su autonomía.Unos indicadores muy comunes para evaluar el bienestar físico y cognitivo delas personas mayores son los cambios o desviaciones en sus Actividades de VidaDiaria (AVDs) y en sus patrones de comportamiento. El conjunto de actividadesque se conocen como AVDs son aquellas que se llevan a cabo con una periodicidaddiaria y se consideran definitorias del comportamiento general de un individuo.Dentro de esta definición se incluyen actividades tales como asearse, alimentarse obañarse. Recientes desarrollos relativos a las tecnologías de monitorización hacenposible instrumentar cualquier entorno de un modo sencillo y barato, ofreciendoun mecanismo para poder controlar en todo momento la situación de una viviendareal.En esta tesis doctoral se ha hecho uso de redes de sensores inalámbricos pararegistrar el comportamiento de las personas en su propia vivienda. Empleandosensores digitales se han controlando tanto el movimiento de los usuarios, comoel uso que hacían de electrodomésticos, muebles o puertas. Modelar el comportamientohumano no es un problema trivial, debido a que los datos generados por lossensores son generalmente ruidosos y tienen un comportamiento no determinista,y además cada usuario realiza cada actividad específica de un modo personal ydiferente. Modelos probabilísticos clásicos basados en el algoritmo de estimaciónde máxima verosimilitud han demostrado ofrecer un buen comportamiento en estedominio, sin embargo, dichos modelos son propensos a sobreadaptarse a los datosy 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 sistemapara el reconocimiento de las AVDs mediante el uso de aprendizaje supervisado,y un método de detección de anomalías que identifica estadísticamente patronesde comportamiento atípicos de un modo no supervisado.Para abordar el problema del reconocimiento de actividades, se presentan dospropuestas basadas en los modelos ocultos de Markov (HMM), a saber: esquemasHMM híbridos y un método de inferencia bayesiano para entrenar un HMM estándar.Un HMM es un modelo probabilístico temporal que puede ser empleadopara reconocer actividades humanas de un modo eficaz, pero que requiere asumircondiciones de independencia muy estrictas entre los atributos, que muy probablementeno representan la distribución real de los datos. En este trabajo se muestracómo la combinación de las capacidades discriminativas de clasificadores bienconocidos, 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 delos datos, ofrece una mejor tasa de reconocimiento y un marco más flexible paramodelar el espacio de características de los sensores.También se demuestra que las técnicas de simulación estocástica, como el métodoMontecarlo basado en cadenas de Markov (MCMC), pueden ser empleadaspara estimar eficazmente los parámetros de un HMM haciendo uso de estadísticabayesiana. Se evitan además los problemas que típicamente acompañan a losmétodos clásicos de inferencia basados en máxima verosimilitud, a saber: sonnuméricamente sensibles, dependen fuertemente de las estimaciones iniciales delos parámetros y su tipo de búsqueda suele conducir a soluciones subóptimas delproblema.En lo relativo al método propuesto para la detección no supervisada de anomalíasen los patrones del comportamiento, se presenta un algoritmo basado enestadística bayesiana que se puede emplear para identificar comportamientos atíatípicosen una persona de forma eficaz. Los patrones de comportamiento de las personasse modelan estadísticamente mediante tres probabilidades que presentamosen este trabajo. Dichas probabilidades son definitorias de: (1) cúando se activanlos sensores, (2) en qué orden y (3) durante cuánto tiempo. El método se basa enuna estimación aproximada de las métricas que definen los patrones diarios de laspersonas, y en unas probabilidades a priori que reflejan un conocimiento previoacerca de cómo deben ser dichas métricas. Estas estimaciones se emplean paradetectar signos anómalos en el comportamiento que pudieran indicar un cambioen la salud del usuario.Finalmente, se detalla una propuesta para aplicar los métodos de modelado delcomportamiento presentados en múltiples entornos monitorizados, sin necesidadde obtener datos de entrenamiento de cada entorno particular. Tanto los métodossupervisados 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 sushabitantes. En esta tesis se presenta un método de transferencia de informaciónpara los problemas de reconocimiento de actividades y detección de anomalíasque permite emplear el conocimiento adquirido en diferentes viviendas bajo unenfoque bayesiano, y sirve como base para la instalación de los sistemas en unentorno monitorizado completamente nuevo, ofreciendo una solución para aplicarlos métodos a mayor escala.En este trabajo de tesis doctoral, se evalúan las diferentes propuestas usandotres 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 híbridospueden reconocer eficazmente las actividades del usuario, mejorando significativamentetanto a su versión puramente discriminativa como a los modelos generativos.También se ha demostrado cómo el rendimiento de un HMM puede mejorarsignificativamente 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 procesode inferencia. Finalmente, los resultados de los experimentos en transferencia deinformación confirman que existe la posibilidad de diseñar métodos que permitanabstraer las capacidades de detección de un entorno automáticamente, siendoposible tener algoritmos de modelado que puedan funcionar en meta espacios decaracterísticas, y de este modo permitan trasladar el aprendizaje desde un entornoinstrumentado a otro.Para concluir, esta tesis doctoral confirma que es posible modelar el comportamientohumano de una forma eficaz mediante un conjunto de sensores inalámbricossencillos y baratos, empleando tanto enfoques supervisados como no supervisados. -------------------------------------------------------------------------------------------------------------------------------
AB Population aging is currently having a significant impact on health care systems.As demographics age and the burden of healthcare on society increases,the need for automated, ambient monitoring and alarming systems becomes morepredominant. Automated and ambient systems provide an easy way for increasingthe safety and the sense of security of people living on their own, and allowthe elderly to be self-reliant longer, fostering their autonomy. Common indicatorsfor assessing the cognitive and physical wellbeing of an elderly person are thechanges in the Activities of Daily Living (ADLs) and in the behavior patterns.Activities referred to as ADLs are everyday tasks essential to self-care and independentliving, such as cooking, toileting and showering. Recent developments insensing technology make it possible to inexpensively equip existing homes withsensors, therefore allowing a continuous monitoring system.In this work, we use wireless sensor networks to capture the behavior of theinhabitants in their homes. Digital state-change sensors are used to measure themotion of the inhabitants and the use of appliances, home devices, pieces of furnitureand doors. Modeling human behavior from such sensor data is a challengingproblem because the data is ambiguous, unsegmented, noisy and also because thereare changes in how each person performs a specific action. Probabilistic modelsusing classical, maximum-likelihood estimation methods are known to work wellin this domain, but they are prone to overfitting and typically require strong modelassumptions, not offering a flexible solution.In this thesis, we address the human behavior modeling problem through theuse of two different learning approaches.We propose an ADLs recognition systembased on supervised learning and an anomaly detection approach to statistically identify unusual behavior patterns in an unsupervised way.In order to address the activity recognition problem, we present two approachesbased on hidden Markov models (HMM), namely: hybrid HMM schemesand a standard HMM trained by full bayesian inference. HMM is a temporal probabilisticmodel that can be effectively used for recognizing human activities, butrequires to apply strong model assumptions which most likely does not representthe true distribution of the data, as the complete independence of every sensor.We showed that the combination of the discriminative capabilities of a machinelearning scheme and the superior dynamic time warping abilities of the HMM canoffer better recognition performance and provide a more flexible framework tomodel the sensors feature space. We also show how Markov Chain Monte Carlo(MCMC) techniques can be used to properly estimate the parameters of anHMM in a bayesian configuration, overcoming usual drawbacks posed by classicalexpectation-maximization algorithms: the use of a recurrent forward-backwardalgorithm is numerically sensitive, it can get stuck as it approaches a local optimaand it can easily overfit the training data.Regarding our unsupervised anomaly detection proposal, we present a methodbased on bayesian statistics that can be effectively applied for identifyingabnormal human behavior. Behavioral patterns of the residents are statistically estimatedbased on three probabilistic features that we introduce, namely: sensoractivation likelihood, sensor sequence likelihood and sensor duration likelihood.The method relies on an approximate estimation of the living patterns of the user,and on prior knowledge that reflects our belief of how such patterns should be, todetect abnormal behavior signs which could reflect changes in health status of theuser.Finally, we introduce an approach for applying our behavior modeling methodsin multiple homes without the need of having training data from each home.Both supervised or unsupervised methods, when trained for one home, can notautomatically be used in another home, due to differences in the layout of the placesand the behavior of the inhabitants.We present a transfer learning method thatallows us to use data from other homes to recognize ADLs and estimate the livingpatterns of the user in a new home. This makes it possible to apply the modelsdiscussed on a large scale, therefore providing a broadly applicable solution to efficient care giving of elderly.In this thesis, we evaluate our approaches using three datasets recorded byour monitoring systems in real world settings and three datasets publicly available.Experimental results of the hybrid HMM models demonstrate that hybridschemes can outperform other classical sequential pattern recognition approaches,showing how the combination of discriminative and generative models is more accuratethan either of the models on their own. Also, fully bayesian inference usingMCMCalgorithms has been proved to be a more flexible and accurate technique toestimate the HMM parameters for our domain. In the anomaly detection domain,results show that abnormal behavior signs can be statistically identified based onseveral probabilistic features and Bayesian statistics provides a very consistentway to reason under the uncertainty of human behavior. Finally, experiments ontransfer learning show how there exists the possibility to devise methods that allowto abstract the sensing capabilities of an environment quite automatically, beingpossible to have behavior modeling systems operating in a meta space that allows the methods to be translated from one sensing configuration to another.Moreover, the work presented here further demonstrates that accurate humanbehavior modeling can be achieved by a set of simple and cheap state-changesensors installed in a wireless network, using both supervised and unsupervisedapproaches.
YR 2013
FD 2013-09
LK https://hdl.handle.net/10016/17908
UL https://hdl.handle.net/10016/17908
LA spa
DS e-Archivo
RD 29 jun. 2024