[TrabajoFinMaster] Sistema de reconocimiento automático de eventos asociados con las actividades de la vida diaria

Grupo de Procesado de Datos y Simulación
ETSI de Telecomunicación
Universidad Politécnica de Madrid

Sistema de reconocimiento automático
de eventos asociados con las
actividades de la vida diaria
Diseño y evaluación
Josué Iglesias Álvarez
josue@grpss.ssr.upm.es

contenido de la presentación

 introducción y motivación
 modelos ocultos de Markov
 fase de reconocimiento de actividades
 modelos ocultos de Markov estratificados
 fase de mejora de la estimación
 evaluación y resultados
 fase de gestión de alarmas
 conclusiones y trabajos futuros

Sistema de reconocimiento automáticoservices – CISTI 2008
Prototyping of context-aware mobile de actividades josue@grpss.ssr.upm.es
josue@grpss.ssr.upm.es 2 / 13 2

introducción y motivación
alzhéimer
• Afecta a un 10% de los mayores de 65 años, constituyendo
aproximadamente el 20% de las dependencias graves
• 29,8 millones de enfermos en 2008
• 81,1 millones en 2050
• 3.506 $/año/enfermo (principalmente relacionados con el desempeño de Actividades de la Vida Diaria)
envejecimiento de la población
prevalencia de la demencia para los mayores de 65 años

1950 2000 2030


el alzhéimer y las AVDs
DIAGNÓSTICO
o el alzhéimer se manifiesta inicialmente por una discreta alteración en la
ejecución normal de las actividades de la vida cotidiana
o indicadores formales sobre la realización de actividades de la vida diaria son
clave para ubicar al paciente en una u otra fase de la enfermedad
TERAPIA OCUPACIONAL
o el establecimiento y supervisión de una serie de secuencias de
tareas, acostumbrando al enfermo a que las realice siempre de la misma
manera, le permitirán desarrollar la orientación y saber qué es lo que ha hecho
ya y qué es lo siguiente que debe hacer


aplicación de la Inteligencia Ambiental

• diagnóstico
• inicial
• evolución
reconocimiento
automático de • monitorización
• control terapia
actividades • detección anomalías

(y detección de ‘anomalías’) • asistencia
• recordatorios
• generación de alarmas

modelos ocultos modelado
de Markov ontológico


modelos ocultos de Markov
• modelan explícitamente procesos aleatorios variables en el
tiempo
• modelan transiciones temporal del contexto (secuencias)
• 2 procesos:
• proceso de Markov no observado (estados ocultos)
• proceso observado (dependiente probabilísticamente del proceso oculto)
• evolucionan según
• πi: probabilidades a priori
• aij: probabilidades de transición entre estados ocultos
• bjk: probabilidades de emisión de símbolos observables


‘problemas clásicos’
• Problema de evaluación. Dado un HMM completo, con probabilidades de
transición aij, probabilidades de observación bjk y vector de probabilidades a priori
πi, calcular la probabilidad de que una secuencia de observables O haya sido
generada por ese HMM.

• Problema de decodificación. Dado un HMM completo, con probabilidades de
transición aij, probabilidades de observación bjk y vector de probabilidades iniciales
πi, y dada una secuencia de observables O, determinar la secuencia de estados
ocultos que con mayor probabilidad haya generado esa secuencia de observables.

• Problema de aprendizaje. Dada una serie de secuencias de observaciones de
entrenamiento Od, ajustar los parámetros (aij, bjk y πi) de un HMM de manera que
el modelo se adapte de forma óptima a estas secuencias.


fase de reconocimiento de actividades

entradas
1. localización simbólica del usuario (PDA) (6)
o entrada
o pasillo
o salón
o cocina
o dormitorio
o aseo
2. acción elemental (4)
o tumbado
o sentado
o parado
o caminando


estados empleados
diseñados a partir de las entradas

• localización → 6 posibles entradas
• acción elemental → x 4 posibles entradas
24 estados integrados

modelo del comportamiento
del usuario (πi, aij)

modelo de la calidad de las
estimaciones de entrada (bjk)


topología de red
determinada por las transiciones posibles de las entradas

localización,
entrada
transiciones posibles tumbado

entrada entrada
parado sentado

entrada
6 estados caminando
24 estados salón
caminando

4 estados pasillo
caminando

acción elemental, pasillo
parado
pasillo
sentado

transiciones posibles
pasillo
tumbado

josue@grpss.ssr.upm.es 10 / 1310

topología de red

localización,
entrada

entrada entrada
parado sentado

entrada
6 estados caminando
24 estados salón
caminando


17 estados
4 estados pasillo
caminando

parado
pasillo
sentado

pasillo
tumbado


topología de red


clasificación - modelado de actividades


modelado de actividades
‘entrada→cocina’
entrada pasillo salón cocina
parado parado parado parado

cocina
sentado

caminando caminando caminando caminando

‘actividad-cocina’
cocina
sentado

salón
caminando cocina
caminando
cocina
parado


calidad de las entradas
bjk
modelo del 
comportamiento

modelo de la
calidad de las
estimaciones de
entrada (bjk)

• probabilidad de acierto parametrizada (Pa)

• probabilidad de error equidistribuida


clasificación - algoritmo evaluador


algoritmo de avance
• función de avance

λ=(πi, aij, bjk)

expresión recursiva

• desarrollo

...


clasificación markoviana

ALGORITMO SELECTOR
• máxima probabilidad
• definición de umbral
• distribución de probabilidad


HMMs estratificados (=LHMMs)


ventajas de los LHMMs
1 LHMM de varios niveles ↔ estructura de clasificación basada en HMMs de un sólo nivel
(concatenando los distintos modelos de los distintos niveles)

• flexibilidad en la selección de entradas
– en general entradas(L) = salidas(L-1) pero ...
– permite integrar nuevas entradas → entradas(L) = salidas(L-1) + nuevasEntradas
• acceso a diferentes niveles de inferencia
– diferentes tipos de inferencias en cada nivel →
– permiten alimentar sistemas externos (o internos) con distintas necesidades de información inferida
• selección flexible de temporización
– diferentes frecuencias de muestreo
– diferentes tamaños de ventana
– diferentes desplazamientos de ventana
• entrenamiento desacoplado
– entrenamiento independiente de cada nivel de LHMM →
– actualización independiente de cada tipo de entradas
– p.ej. la modificación o ajuste de los sensores de bajo nivel en un sistema sensible al contexto únicamente requerirían el
reentrenamiento de los niveles más bajos del LHMM, manteniendo sin modificar ni reentrenar los niveles superiores
– presentan menos problemas de sobreentrenamiento (pues cada nivel se entrena con menos cantidad de datos)
– alcanzan el mismo rendimiento que con estructuras clásicas de un sólo nivel, pero con menos datos de entrenamiento


estructura LHMM implementada

máxima probabilidad
entradas algoritmo de avance

salidas


modelado de rutinas


fase de mejora de la estimación

A B C A,A,A,C,C,... A,A,A,B,C,...



entradas
1. localización simbólica del usuario (PDA) (6)
o entrada
o pasillo
o salón algoritmo de Viterbi enventanado
o cocina
o dormitorio
o aseo modelado de actividades
2. acción elemental (4)
o tumbado
o sentado
o parado
o caminando


estados empleados
diseñados a partir de las entradas

• localización → 6 posibles entradas
• acción elemental → x 4 posibles entradas
24 estados integrados

modelo del comportamiento

modelo de la calidad de las
estimaciones de entrada (bjk)


topología de red

localización,
entrada

entrada entrada
parado sentado

entrada
6 estados caminando
24 estados salón
caminando


17 estados
4 estados pasillo
caminando

parado
pasillo
sentado

pasillo
tumbado


calidad de las entradas
bjk
modelo del 
comportamiento

modelo de la
calidad de las
estimaciones de
entrada (bjk)

• probabilidad de acierto parametrizada (Pa)

• probabilidad de error equidistribuida


topología de red


algoritmo de Viterbi
• se define la función δt(i): la probabilidad del mejor camino hasta el estado qt=Si
habiendo obtenido las t primeras observaciones

expresión recursiva

• desarrollo

...


algoritmo de Viterbi
punteros de camino más probable

para conocer el estado qt tengo que saber antes el estado qt+1
 este algoritmo requiere la secuencia completa de
observaciones
 incompatible con nuestra aplicación (necesitamos
salidas en tiempo real)


algoritmo de Virterbi enventanado

o1 o2 ... ot q’1 q’2 ... q’t

o2 o3 ... ot+1 q’1 q’2 ... q’t

o3 o4 ... ot+2 q’1 q’2 ... q’t
. algoritmo .
. estándar de .
. Viterbi .
... ... ... ot+T q’1 q’2 ... q’t

q*1 q*2 q*3 ...

?
aij = 0


algoritmo de Virterbi enventanado

o1 o2 ... ot q’1 q’2 ... q’t
=
o2 o3 ... ot+1 q’1 q’2 ... q’t
=
o3 o4 ... ot+2 q’1 q’2 ... q’t
. algoritmo .
. estándar de .
. Viterbi .
... ... ... ot+T q’1 q’2 ... q’t

retardo q*2 q*3 q*4 ...
d = tamañoVentana - 2



mejora de la estimación - evaluación

sistemas de estimación de entrada fase de mejora de la estimación


mejora de la estimación - evaluación


reconocimiento de actividades - evaluación


sistema integrado - evaluación

≠



probabilidad de acierto / mejora introducida


SIN mejora introducida

mejora introducida

CON mejora introducida


gestión de alarmas


ontología de actividades (y restricciones)


ontología de actividades


ontología de restricciones


clasificación de actividades


gestión de alarmas


conclusiones y trabajos futuros
CORTO PLAZO
• acoplamiento de modelos en sistema integrado
• diseño de modelos realistas (proceso de aprendizaje)
• integración con subsistemas de entrada (no simulación)
• ampliación del tipo de entradas (mayor granularidad)
• extensión del modelado ontológico a otros bloques
MEDIO PLAZO
• desarrollo de niveles superiores de la jerarquía de LHMMs
• reconocimiento → predicción
• desarrollo sobre plataforma móvil
• interfaz gráfica de configuración/resultados
• etc.

any question?


algortimo de avance (detalle)


algortimo de Viterbi (detalle)


definición


algunas características
• La transición a un estado futuro sólo depende del estado
actual
– HMM de primer orden:

– HMM de orden k:

• La probabilidad de transición entre estados es independiente
del instante de tiempo:


‘entrada→cocina’
parado parado parado parado

cocina
sentado

caminando caminando caminando caminando

‘actividad-cocina’
cocina
sentado

salón
caminando cocina
caminando
cocina
parado


‘entrada→cocina’ ‘actividad-cocina’


posible ampliación – mayor granularidad


algoritmo evaluador
planteamiento del problema


algoritmos de decodificación
planteamiento del problema
transición aij, probabilidades de observación bjk y vector de probabilidades iniciales πi,
y dada una secuencia de observables O, determinar la secuencia de estados ocultos
que con mayor probabilidad haya generado esa secuencia de observables.

?


reconocimiento de actividades

[detalle de funcionamiento]
(memoria, página 109)


reconocimiento de actividades (con LHMM)

[ejemplo de funcionamiento]
(memoria, página 112)


[TrabajoFinMaster] Sistema de reconocimiento automático de eventos asociados con las actividades de la vida diaria

Recomendados

Recomendados

Mais conteúdo relacionado

Destaque

Destaque (11)

Semelhante a [TrabajoFinMaster] Sistema de reconocimiento automático de eventos asociados con las actividades de la vida diaria

Semelhante a [TrabajoFinMaster] Sistema de reconocimiento automático de eventos asociados con las actividades de la vida diaria (15)

Mais de Josué Freelance

Mais de Josué Freelance (20)

Último

Último (20)

[TrabajoFinMaster] Sistema de reconocimiento automático de eventos asociados con las actividades de la vida diaria