Monitorización y reconocimiento de actividades de personas mayores en entornos residenciales

Abstract

This doctoral thesis presents a monitoring system for the main activities of daily living that older people can perform in their homes. This system has been developed using non-intrusive technology that does not capture personal information about the users. The techniques used to detect activities can be classified into two groups: supervised learning methods and unsupervised learning methods. The thesis begins with the analysis of information from the Milan public database by applying supervised learning methods using recurrent neural network models and different filtering and data quality improvement techniques, resulting in a system capable of real-time detection of activities performed by a user within their home with high precision. The thesis proposes the creation of a proprietary database, named SDHAR-HOME, which stores information collected from a household where two users residing simultaneously using three technological groups: a network of non-intrusive sensors, a user localization system within the home, and information provided by activity bracelets. This database collects information on a total of 18 different activities. A supervised learning method is proposed to analyse the data from SDHAR-HOME based on a customised architecture applying three layers of different neural networks: RNN, LSTM, and GRU. A different and personalised model is generated for each user, enabling real-time activity detection. Another method for detecting ADLs is developed using CNN neural networks along with a CVV-SV validation method, which provides better results than the previously proposed methods. Finally, a neural network model is developed using transformer models and attention layers to increase the accuracy and speed of the system. In parallel, the thesis presents the development of an unsupervised learning method, which does not require a labeling stage for activities to train the model, thus generating a replicable system in a larger number of households. This method is based on the combination of two HMMs: one to filter user stays and another to provide activity information. An ambient intelligence ecosystem has been developed to provide service and functionality to the user. The system integrates a social robot, which offers several functions to the user: exercises, games, video calls, or home search and detection. The robot is responsible for providing support to the user at home, helping to combat loneliness and improve their well-being and quality of life, while also enhancing security in their daily life. The ecosystem has been tested for a duration of 2 months in a real household, allowing the detection of dangerous situations and creating personalised plans using the social robot. This system establishes a mechanism for early intervention, thus promoting and facilitating the independent living of elderly individuals, providing them with a higher quality of life and greater security in their homes.

Esta tesis doctoral presenta un sistema de monitorización de las principales actividades de la vida diaria que las personas mayores pueden realizar en sus hogares. Este sistema se ha realizado mediante la aplicación de tecnología no intrusiva que no captura información personal sobre los usuarios. Las técnicas utilizadas para detectar las actividades se pueden clasificar dentro de dos grupos: métodos de aprendizaje supervisado y métodos de aprendizaje no supervisado. La tesis parte del análisis de la información de la base de datos pública Milan mediante la aplicación de métodos de aprendizaje supervisado utilizando modelos de redes neuronales recurrentes y diferentes técnicas de filtrado y mejora de la calidad de los datos, dando como resultado un sistema capaz de detectar en tiempo real las actividades realizadas por un usuario dentro de su vivienda con una alta precisión. En la tesis se propone la realización de una base de datos propia que almacene la información recogida de una vivienda en la que residen dos usuarios de forma simultánea mediante la aplicación de tres grupos tecnológicos: una red de sensores no intrusivos, un sistema de localización de los usuarios dentro de la vivienda y la información proporcionada por unas pulseras de actividad. Esta base de datos recibe el nombre de SDHAR-HOME y recoge la información de un total de 18 actividades diferentes. Se propone un método de aprendizaje supervisado para analizar los datos de SDHAR-HOME basado en una arquitectura personalizada en la que se aplican tres capas de redes neuronales diferentes: RNN, LSTM y GRU. Se genera un modelo diferente y personalizado para cada usuario, que permite la detección de actividades en tiempo real. Se ha elaborado otro método de detección de ADL's mediante la aplicación de redes neuronales CNN junto con un método de validación CVV-SV, el cual arroja mejores resultados que los métodos previamente propuestos. Finalmente, se ha elaborado un modelo de red neuronal mediante la aplicación de modelos transformer y capas de atención que incrementa la precisión y velocidad del sistema. De forma paralela, la tesis presenta la elaboración de un método de aprendizaje no supervisado, que no necesita una etapa de etiquetado de actividades para entrenar el modelo, lo que genera un sistema replicable en un mayor número de viviendas. Este método está basado en la combinación de dos HMM: uno para filtrar las estancias de los usuarios y otro para proporcionar la actividad. Para ofrecer servicio y funcionalidad al usuario, se ha desarrollado un ecosistema de inteligencia ambiental que integra un robot social, el cual ofrece diferentes funciones al usuario: ejercicios, juegos, videollamadas o búsqueda y detección en el hogar. El robot se encarga de proporcionar apoyo al usuario en su casa, le ayuda a combatir la soledad y mejora su bienestar y calidad de vida, aportando seguridad en su día a día. El ecosistema se ha probado durante 2 meses de duración en una vivienda real, permitiendo la detección de situaciones peligrosas y elaborando planes personalizados utilizando el robot social. Este sistema establece un mecanismo de intervención temprana, permitiendo de esta manera favorecer y promover la vida independiente de las personas mayores, brindando mayor calidad de vida y seguridad a este grupo en sus hogares.