Quand la consommation électrique parle : détecter les changements dans les routines des personnes âgées
Adrian Sánchez-Miguel présente son projet final de Master, récompensé lors de la dernière édition du Prix des machines de Turing, deux fois : à travers le Salle de classe SMACT CGI-UCLM, prix de 1000 € pour le meilleur TFG ou TFM dans la matière Réseaux sociaux, mobiles, analyses, cloud et objetset salle de classe Ubotica-UCLM avec un Prix de 500 € pour le meilleur TFM dans les thématiques de l'Intelligence Artificielle et/ou des Systèmes Embarqués. Le titre du TFM est «Détection de comportements anormaux grâce aux appareils connectés à la maison et sa relation avec les activités de la vie quotidienne comme moyen d'améliorer la qualité de vie des personnes âgées vivant seules» et a été dirigé par les professeurs Jesús Fontecha et Iván González.
La motivation du projet est d'aider à prendre soin des personnes âgées qui choisissent de vivre de manière autonome, étant donné le nombre croissant de personnes âgées qui vivent seules et peuvent nécessiter des soins à domicile.
L'objectif principal est détecter un comportement anormal chez les personnes âgées grâce à un suivi non intrusif de la consommation électrique de la maison, à l’aide de prises intelligentes. Cela vous permet d'identifier le activités fondamentales et instrumentales de la vie quotidienne ils effectuent et détectent des écarts ou des anomalies dans leurs routines, contribuant ainsi à améliorer leur qualité de vie.
Pour y parvenir, un étude exhaustive de l'état de l'art sur des sujets tels que les activités de la vie quotidienne, les techniques de surveillance et les méthodes d'apprentissage supervisé et non supervisé pour la détection d'activités et d'anomalies. Un a été conçu infrastructure complète qui comprend la collecte de données via des prises intelligentes connectées via Raspberry Pi, le traitement de ces données et leur stockage dans des bases de données.
En raison de contraintes de temps et du manque de données propres, un ensemble de données publiques qui offrait un bon équilibre entre la durée (environ deux ans) et la variété des appareils. À l'aide d'algorithmes d'apprentissage non supervisé, les instances de consommation ont été regroupées en activités basées sur des similitudes, et une réseau neuronal pour classer les nouvelles instances dans les activités correspondantes.
Les premiers résultats ont été présentés dans un congrès international au Mexique, obtenant des commentaires précieux pour améliorer le projet. Dans la deuxième phase, ils se sont concentrés sur Détection d'une anomalie au sein des activités identifiées, en utilisant l'analyse de séries chronologiques pour identifier les écarts dans les plages horaires habituelles.
En conclusion, le projet a démontré qu'il est possible détecter les activités et les anomalies chez les personnes âgées par la consommation électrique. Bien qu'il ait été reconnu manque possible d'activités à surveiller et une certaine incertitude dans les données, les objectifs proposés ont été atteints. Comme travaux futurs, la création d'un ensemble de données publiques avec les fiches acquises et l'intégration avec des appareils vocaux est proposée pour réduire l'incertitude dans la détection des activités.
