Wenn der Stromverbrauch spricht: Veränderungen im Alltag älterer Menschen erkennen
Adrián Sánchez-Miguel präsentiert sein Master-Abschlussprojekt, das in der letzten Ausgabe des ausgezeichnet wurde Turing Machine Awards, zweimal: durch die SMACT CGI-UCLM-Klassenzimmer, 1000 € Preis für den besten TFG oder TFM im Fach Social, Mobile, Analytics, Cloud und Things, und Klassenzimmer Ubotica-UCLM mit einem 500-Euro-Preis für das beste TFM in den Themen Künstliche Intelligenz und/oder Eingebettete Systeme. Der Titel des TFM lautet „Erkennung anomaler Verhaltensweisen durch vernetzte Geräte im Haushalt und deren Zusammenhang mit alltäglichen Lebensaktivitäten als Mittel zur Verbesserung der Lebensqualität allein lebender älterer Menschen“ und wurde von den Professoren Jesús Fontecha und Iván González geleitet.
Die Motivation des Projekts besteht darin, die Pflege älterer Menschen zu unterstützen, die sich für ein unabhängiges Leben entscheiden, da immer mehr ältere Erwachsene allein leben und möglicherweise Pflege zu Hause benötigen.
Das Hauptziel ist Erkennen Sie abnormales Verhalten bei älteren Menschen durch berührungslose Überwachung des Stromverbrauchs im Haushalt mithilfe intelligenter Steckdosen. Dadurch können Sie die identifizieren grundlegende und instrumentelle Aktivitäten des täglichen Lebens Sie leisten und erkennen Abweichungen oder Anomalien in ihren Routinen und tragen so zur Verbesserung ihrer Lebensqualität bei.
Um dies zu erreichen, a umfassendes Studium des Standes der Technik zu Themen wie Aktivitäten des täglichen Lebens, Überwachungstechniken und überwachten und unüberwachten Lernmethoden zur Erkennung von Aktivitäten und Anomalien. A wurde entworfen Komplette Infrastruktur Dazu gehört das Sammeln von Daten über Smart Plugs, die über Raspberry Pi verbunden sind, das Verarbeiten dieser Daten und das Speichern in Datenbanken.
Aufgrund zeitlicher Beschränkungen und fehlender eigener Daten, a öffentlicher Datensatz die ein gutes Gleichgewicht zwischen Dauer (ca. zwei Jahre) und Gerätevielfalt bot. Unter Verwendung von unbeaufsichtigten Lernalgorithmen wurden Konsuminstanzen auf der Grundlage von Ähnlichkeiten in Aktivitäten gruppiert und a neurales Netzwerk um neue Instanzen in die entsprechenden Aktivitäten einzuordnen.
Die ersten Ergebnisse wurden in einem präsentiert Internationaler Kongress in Mexiko, um wertvolles Feedback zur Verbesserung des Projekts zu erhalten. In der zweiten Phase konzentrierten sie sich auf die Anomalieerkennung innerhalb der identifizierten Aktivitäten, wobei mithilfe der Zeitreihenanalyse Abweichungen von den üblichen Zeitfenstern identifiziert werden.
Als Schlussfolgerung zeigte das Projekt, dass es möglich ist Aktivitäten und Anomalien erkennen bei älteren Menschen durch Stromverbrauch. Obwohl es erkannt wurde Möglicher Mangel an zu überwachenden Aktivitäten und einer gewissen Unsicherheit in den Daten wurden die vorgeschlagenen Ziele erreicht. Als zukünftige ArbeitUm die Unsicherheit bei der Erkennung von Aktivitäten zu verringern, wird die Erstellung eines öffentlichen Datensatzes mit den erworbenen Steckern und die Integration mit Sprachgeräten vorgeschlagen.
