Cuando el consumo eléctrico habla: detectando cambios en las rutinas de los mayores
Adrián Sánchez-Miguel nos presenta su Trabajo Fin de Máster, premiado en la última edición de los Premios Máquina de Turing, por partida doble: a través del Aula SMACT CGI-UCLM, Premio de 1000 € al mejor TFG o TFM en la temáticas Social, Mobile, Analytics, Cloud y Things, y aula Ubotica-UCLM con Premio de 500 € al mejor TFM en las temáticas de Inteligencia Artificial y/o Sistemas Empotrados. El título del TFM es “Detección de comportamientos anómalos a través de dispositivos conectados en el hogar y su relación con las actividades de la vida diaria como medio para la mejora de la calidad de vida de personas mayores que viven solas” y ha sido dirigido por los profesores Jesús Fontecha e Iván González.
La motivación del proyecto es ayudar al cuidado de las personas mayores que optan por vivir de manera autónoma, ante el creciente número de adultos mayores que viven solos y pueden requerir atención en casa.
El objetivo principal es detectar comportamientos anómalos en personas mayores mediante la monitorización no intrusiva del consumo eléctrico en el hogar, utilizando enchufes inteligentes. Esto permite identificar las actividades básicas e instrumentales de la vida diaria que realizan y detectar desviaciones o anomalías en sus rutinas, contribuyendo así a mejorar su calidad de vida.
Para lograr esto, se realizó un estudio exhaustivo del estado del arte en temas como las actividades de la vida diaria, técnicas de monitorización y métodos de aprendizaje supervisado y no supervisado para la detección de actividades y anomalías. Se diseñó una infraestructura completa que incluye la recolección de datos a través de enchufes inteligentes conectados mediante Raspberry Pi, el procesamiento de estos datos y su almacenamiento en bases de datos.
Debido a limitaciones de tiempo y la falta de datos propios, se utilizó un conjunto de datos público que ofrecía un buen equilibrio entre duración (aproximadamente dos años) y variedad de electrodomésticos. Mediante algoritmos de aprendizaje no supervisado, se agruparon las instancias de consumo en actividades basadas en similitudes, y se entrenó una red neuronal para clasificar nuevas instancias en las actividades correspondientes.
Los primeros resultados fueron presentados en un congreso internacional en México, obteniendo feedback valioso para mejorar el proyecto. En la segunda fase, se enfocaron en la detección de anomalías dentro de las actividades identificadas, utilizando análisis de series temporales para identificar desviaciones en las franjas horarias habituales.
Como conclusiones, el proyecto demostró que es posible detectar actividades y anomalías en personas mayores a través del consumo eléctrico. Aunque se reconoció la posible falta de actividades a monitorizar y cierta incertidumbre en los datos, se alcanzaron los objetivos propuestos. Como trabajo futuro, se plantea la creación de un conjunto de datos público con los enchufes adquiridos y la integración con dispositivos de voz para reducir la incertidumbre en la detección de actividades.
