Uso de sensores para o monitoramento de atividades humanas

Este artigo apresenta o modelo baseado em HARA – Human Activity Recognition with Accelerometer para o reconhecimento de atividades humanas a partir de dados de localização, movimentação e tempo.

Wagner D. do Amaral e Mario A. R. Dantas, Departamento de Informática e Estatística, da Universidade Federal de Santa Catarina (UFSC)

  O artigo mostra um modelo baseado em HARA – Human Activity Recognition with Accelerometer para o reconhecimento de atividades humanas a partir de dados de localização, movimentação e tempo. É utilizado um acelerômetro como principal sensor, devido ao seu baixo consumo de energia e as suas pequenas dimensões. Identificar as atividades de um indivíduo é importante para compreender a sua rotina individual e identificar mudanças bruscas, que podem estar relacionadas a estágios iniciais de uma doença.

  Visando a eficiência do modelo, também é proposto o uso de um filtro de qualidade de contexto, onde dados com baixo valor QoC – qualidade de contexto são descartados.

  Segundo projeções do IBGE – Instituto Brasileiro de Geografia e Estatística, em 2060 quase 34% da população brasileira será idosa, com mais de 60 anos. Em números absolutos, a estimativa é de que a quantidade de idosos triplique até 2060 [IBGE 2013].

  Nesse cenário, é preciso criar condições que garanta oportunidade e uma vida com qualidade e independência a essa população Como solução estão surgindo tecnologias de monitoramento de indivíduos em suas residências, os chamados ambientes domiciliares assistidos.

  Um ambiente domiciliar assistido é composto por um conjunto heterogêneo de sensores corporais e de ambiente, que geram grandes volumes de dados. A qualidade dos dados, portanto, é a chave para a manutenção desses ambientes.

  Para lidar com essa grande quantidade de informações e garantir que o modelo seja acessível, é necessário um processamento de alto desempenho com arquiteturas de baixo custo, além da implementação de um analisador de contexto que filtre os dados, descartando informações com pouco ou nenhum valor semântico.

  Ambientes domiciliares assistidos tradicionais usam diversas técnicas para detecção de anormalidades, porém, de uma forma geral, detectam anormalidades somente quando elas ocorrem, o que muitas vezes está ligado ao estado avançado de uma doença. Nesse tipo de sistema não é possível prever anomalias com tempo hábil para que ações preventivas sejam tomadas.

  Para preencher esta lacuna, deixada pelos ambientes domiciliares assistidos tradicionais, este artigo propõe o modelo HARA. Ao armazenar os dados do posicionamento na residência, movimentação e tempo, é possível inferir as atividades diárias de um indivíduo e, assim, entender a sua rotina individual.

  Mudanças bruscas na rotina podem estar relacionadas ao estágio inicial de alguma doença e a sua identificação na etapa inicial, geralmente, traz maiores chances de um tratamento bem-sucedido.

  O modelo aqui proposto utiliza um acelerômetro como principal sensor para o reconhecimento de atividades humanas, com baixo consumo de energia e pequenas dimensões, garantindo uma maior qualidade de vida para o usuário monitorado.

  Recentemente, muitos artigos passaram a abordar o tema de ambientes assistidos. Por se tratar de um conceito relativamente novo, poucos padrões encontrados na literatura.

  Alguns trabalhos utilizam apenas um único acelerômetro para o reconhecimento das atividades. Outros usam diversos sensores para a mesma finalidade.

  O uso de sensores corporais é amplamente utilizado, porém outras abordagens são encontradas na literatura, como a utilização de imagens para o reconhecimento das atividades.

  Para os sensores corporais, a posição do corpo onde o dispositivo será acoplado é muito importante. Apesar de não existir um padrão sobre onde os sensores devem ser posicionados, os lugares mais comuns são o peito, pulso, tornozelo e cintura.

  Para melhor compreender o estado atual da pesquisa nesta área, realizamos uma revisão da literatura.

Proposta principal

  Consideramos uma abordagem de QoC, com o objetivo de avaliar da qualidade dos dados recebidos e quais informações podem ser descartadas ou que devem dar origem a alertas. Uma visão geral do modelo pode ser observada na figura abaixo.

Obtenção dos dados

  Como citado anteriormente, serão obtidos dados de posicionamento, movimentação e tempo. Para tanto, um dispositivo deverá ser montado a partir de uma placa de processamento Tinyduino, acoplando a ela os shields de acelerômetro e BLE. Esse dispositivo deverá ser posicionado no corpo do indivíduo monitorado.

  A escolha dos shields de acelerômetro e BLE para incorporar o sensor corporal levou em consideração o baixo consumo de energia. O acelerômetro também é uma alternativa ideal para o modelo proposto devido a suas pequenas dimensões, diminuindo a intrusão.

  Para os dados de movimentação, serão utilizadas as informações do acelerômetro. Já para os de localização, um o módulo BLE ficará responsável por detectar a intensidade de sinal dos dispositivos disponíveis para pareamento. Haverá um dispositivo BLE para cada cômodo da casa e as intensidades serão comparadas para determinar a posição do indivíduo. Os dados de tempo serão responsabilidade do Raspberry Pi 3, um dispositivo que também receberá os dados de movimentação e localização do Tinyduino, por meio do BLE.

Previsões das atividades

  Após a obtenção e transmissão dos dados de movimentação e localização para o Raspberry Pi 3, com a adição da informação de tempo, será realizado um processo de predição para a inferência de qual atividade o indivíduo monitorado está realizando. Para isso, a técnica utilizada é Modelo Oculto de Markov. Esta técnica é capaz de representar uma quantidade infinita de sequências possíveis por meio de uma quantidade finita de estados. Assim, ela se mostra ideal para a necessidade do modelo proposto: representar uma sequência qualquer de ações executadas por um indivíduo por meio de uma quantidade limitada de estados.

QoC – Qualidade de contexto

  É proposto também que o modelo avalie a qualidade de contexto dos dados recebidos e decida o que deve ser descartado e o que deve dar origem a alertas. Para o cálculo da QoC, é utilizada a abordagem com os seguintes parâmetros: Completness, Coverage, Precision, Up-to-dateness e Significance.

  Cada um deles possui valor entre 0 e 1 e é realizado uma média entre eles, excluindo o parâmetro Significance. Este último terá o valor 1, se os valores medidos são válidos, mas não esperados, indicando um caso onde a criação de um alerta é necessária, ou 0, nos demais casos, indicando que os dados podem ser descartado.

Ambiente e resultados experimentais

  Inicialmente, é realizado um experimento para a leitura dos dados do acelerômetro, que em seguida passam pelo filtro QoC.

  A figura abaixo apresenta os valores lidos pelo acelerômetro, acoplado ao pulso de um indivíduo, que realiza uma sequência de atividades durante 35 segundos, em sua própria casa.

  Por meio da análise do gráfico, é possível observar que durante a sequência de atividades realizadas, os valores lidos pelo acelerômetro se alteram, porém, fica claro como é difícil e ineficaz uma identificação manual destas atividades.

  Assim, temos a importância do modelo HARA, que se propõe a identificar instantaneamente a atividade realizada pelo indivíduo.

Conclusões

  Este trabalho apresentou um modelo de reconhecimento de atividades humanas por meio do uso de sensor corporal para a captação de dados de movimentação e localização e tempo. O modelo também considera o uso da abordagem de QoC para avaliar a qualidade dos dados recebidos, permitindo decidir as informações que devem ser descartados ou darem origem a alertas.

  Para trabalhos futuros é sugerido a comparação da eficiência entre diferentes tecnologias de comunicação, como o bluetooth 4.0 clássico ou ZigBee. Outra comparação possível é a técnica de classificação.