reconocimiento automático de la actividad física diaria aplicado a contextos de e-salud y...
TRANSCRIPT
• La globalización tecnológica y la innovación han transformado la manera en que se imparten los servicios de salud
• Las intervenciones médicas han sufrido un cambio radical, pasando del “contacto personal directo y puntual” en tiempo y espacio, hacia una interacción “continua e independiente del espacio físico”
• Las enfermedades han evolucionado, de agudas a crónicas, al tiempo que la población envejece rápidamente en todo el mundo
2
• Estudio de técnicas aplicadas al reconocimiento de actividades físicas cotidianas
• Monitorización supervisada y no supervisada
• Diferentes campos de
aplicación (teleasistencia, e-salud, deportes, etc.)
3
• Definir una metodología propia para el reconocimiento de actividades
• Mejorar los resultados en el marco supervisado y seminaturalístico
Analizar la información extraída de la monitorización de ejercicios habituales
Definir modelos de caracterización a partir de las señales asociadas a cada actividad
Establecer metodologías para la selección de las variables más adecuadas
Comparar diversas metodologías de extracción de conocimiento
Para ello
4
FASE I: Análisis de las
señales y valoración de
qué pre-procesado es
necesario
FASE II: Identificación,
definición y aplicación de las técnicas
para extracción de
características
FASE III: Selección de
características
FASE IV: Clasificación
FASE V: Test, análisis de los resultados y
selección del modelo de clasificador
5
• Cinco acelerómetros • Cuatro actividades
• Dos metodologías de • Veinte individuos monitorización
Andar Sentarse y relajarse Permanecer de pie Correr
6
7
SENTARSE Y RELAJARSE
PERMANECER DE PIE
CORRER
ANDAR
0 200 4005
5.5
6
6.5
Tiempo (seg)
Acele
ració
n (
G)
Cadera
0 200 4003
4
5
6
7
8
Tiempo (seg)
Acele
ració
n (
G)
Muñeca
0 200 4004
5
6
7
Tiempo (seg)
Acele
ració
n (
G)
Brazo
0 200 4000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Tobillo
0 200 4004
4.5
5
5.5
6
6.5
Tiempo (seg)
Acele
ració
n (
G)
Muslo0 100 200 3000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Cadera
0 100 200 3000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Muñeca
0 100 200 3002
4
6
8
10
12
Tiempo (seg)
Acele
ració
n (
G)
Brazo
0 100 200 3000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Tobillo
0 100 200 3000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Muslo
0 200 400 6002
4
6
8
10
Tiempo (seg)
Acele
ració
n (
G)
Cadera
0 200 400 6000
2
4
6
8
10
Tiempo (seg)
Acele
ració
n (
G)
Muñeca
0 200 400 6000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Brazo
0 200 400 6000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Tobillo
0 200 400 6002
4
6
8
10
Tiempo (seg)
Acele
ració
n (
G)
Muslo
0 100 200 3004
6
8
10
Tiempo (seg)
Acele
ració
n (
G)
Cadera
0 100 200 3003
4
5
6
7
8
Tiempo (seg)
Acele
ració
n (
G)
Muñeca
0 100 200 3004
5
6
7
Tiempo (seg)
Acele
ració
n (
G)
Brazo
0 100 200 3000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Tobillo
0 100 200 3002
4
6
8
10
12
Tiempo (seg)
Acele
ració
n (
G)
Muslo
0 100 200 3000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Cadera
0 100 200 3000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Muñeca
0 100 200 3002
4
6
8
10
12
Tiempo (seg)
Acele
ració
n (
G)
Brazo
0 100 200 3000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Tobillo
0 100 200 3000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Muslo
0 100 200 3000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Cadera
0 100 200 3000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Muñeca
0 100 200 3002
4
6
8
10
12
Tiempo (seg)
Acele
ració
n (
G)
Brazo
0 100 200 3000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Tobillo
0 100 200 3000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Muslo
0 100 200 3000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Cadera
0 100 200 3000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Muñeca
0 100 200 3002
4
6
8
10
12
Tiempo (seg)
Acele
ració
n (
G)
Brazo
0 100 200 3000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Tobillo
0 100 200 3000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Muslo
0 100 200 3000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Cadera
0 100 200 3000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Muñeca
0 100 200 3002
4
6
8
10
12
Tiempo (seg)
Acele
ració
n (
G)
Brazo
0 100 200 3000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Tobillo
0 100 200 3000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Muslo
0 200 4005
5.5
6
6.5
Tiempo (seg)
Acele
ració
n (
G)
Cadera
0 200 4003
4
5
6
7
8
Tiempo (seg)
Acele
ració
n (
G)
Muñeca
0 200 4004
5
6
7
Tiempo (seg)
Acele
ració
n (
G)
Brazo
0 200 4000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Tobillo
0 200 4004
4.5
5
5.5
6
6.5
Tiempo (seg)
Acele
ració
n (
G)
Muslo
0 200 4005
5.5
6
6.5
Tiempo (seg)
Acele
ració
n (
G)
Cadera
0 200 4003
4
5
6
7
8
Tiempo (seg)
Acele
ració
n (
G)
Muñeca
0 200 4004
5
6
7
Tiempo (seg)
Acele
ració
n (
G)
Brazo
0 200 4000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Tobillo
0 200 4004
4.5
5
5.5
6
6.5
Tiempo (seg)
Acele
ració
n (
G)
Muslo
0 200 4005
5.5
6
6.5
Tiempo (seg)
Acele
ració
n (
G)
Cadera
0 200 4003
4
5
6
7
8
Tiempo (seg)
Acele
ració
n (
G)
Muñeca
0 200 4004
5
6
7
Tiempo (seg)
Acele
ració
n (
G)
Brazo
0 200 4000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Tobillo
0 200 4004
4.5
5
5.5
6
6.5
Tiempo (seg)
Acele
ració
n (
G)
Muslo
0 200 4005
5.5
6
6.5
Tiempo (seg)
Acele
ració
n (
G)
Cadera
0 200 4003
4
5
6
7
8
Tiempo (seg)
Acele
ració
n (
G)
Muñeca
0 200 4004
5
6
7
Tiempo (seg)
Acele
ració
n (
G)
Brazo
0 200 4000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Tobillo
0 200 4004
4.5
5
5.5
6
6.5
Tiempo (seg)
Acele
ració
n (
G)
Muslo
0 200 400 6002
4
6
8
10
Tiempo (seg)
Acele
ració
n (
G)
Cadera
0 200 400 6000
2
4
6
8
10
Tiempo (seg)
Acele
ració
n (
G)
Muñeca
0 200 400 6000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Brazo
0 200 400 6000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Tobillo
0 200 400 6002
4
6
8
10
Tiempo (seg)
Acele
ració
n (
G)
Muslo
0 200 400 6002
4
6
8
10
Tiempo (seg)
Acele
ració
n (
G)
Cadera
0 200 400 6000
2
4
6
8
10
Tiempo (seg)
Acele
ració
n (
G)
Muñeca
0 200 400 6000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Brazo
0 200 400 6000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Tobillo
0 200 400 6002
4
6
8
10
Tiempo (seg)
Acele
ració
n (
G)
Muslo
0 200 400 6002
4
6
8
10
Tiempo (seg)
Acele
ració
n (
G)
Cadera
0 200 400 6000
2
4
6
8
10
Tiempo (seg)
Acele
ració
n (
G)
Muñeca
0 200 400 6000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Brazo
0 200 400 6000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Tobillo
0 200 400 6002
4
6
8
10
Tiempo (seg)
Acele
ració
n (
G)
Muslo
0 200 400 6002
4
6
8
10
Tiempo (seg)
Acele
ració
n (
G)
Cadera
0 200 400 6000
2
4
6
8
10
Tiempo (seg)
Acele
ració
n (
G)
Muñeca
0 200 400 6000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Brazo
0 200 400 6000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Tobillo
0 200 400 6002
4
6
8
10
Tiempo (seg)
Acele
ració
n (
G)
Muslo
0 100 200 3004
6
8
10
Tiempo (seg)
Acele
ració
n (
G)
Cadera
0 100 200 3003
4
5
6
7
8
Tiempo (seg)
Acele
ració
n (
G)
Muñeca
0 100 200 3004
5
6
7
Tiempo (seg)
Acele
ració
n (
G)
Brazo
0 100 200 3000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Tobillo
0 100 200 3002
4
6
8
10
12
Tiempo (seg)
Acele
ració
n (
G)
Muslo
0 100 200 3004
6
8
10
Tiempo (seg)
Acele
ració
n (
G)
Cadera
0 100 200 3003
4
5
6
7
8
Tiempo (seg)
Acele
ració
n (
G)
Muñeca
0 100 200 3004
5
6
7
Tiempo (seg)
Acele
ració
n (
G)
Brazo
0 100 200 3000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Tobillo
0 100 200 3002
4
6
8
10
12
Tiempo (seg)
Acele
ració
n (
G)
Muslo
0 100 200 3004
6
8
10
Tiempo (seg)
Acele
ració
n (
G)
Cadera
0 100 200 3003
4
5
6
7
8
Tiempo (seg)
Acele
ració
n (
G)
Muñeca
0 100 200 3004
5
6
7
Tiempo (seg)
Acele
ració
n (
G)
Brazo
0 100 200 3000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Tobillo
0 100 200 3002
4
6
8
10
12
Tiempo (seg)
Acele
ració
n (
G)
Muslo
0 100 200 3004
6
8
10
Tiempo (seg)
Acele
ració
n (
G)
Cadera
0 100 200 3003
4
5
6
7
8
Tiempo (seg)
Acele
ració
n (
G)
Muñeca
0 100 200 3004
5
6
7
Tiempo (seg)
Acele
ració
n (
G)
Brazo
0 100 200 3000
5
10
15
Tiempo (seg)
Acele
ració
n (
G)
Tobillo
0 100 200 3002
4
6
8
10
12
Tiempo (seg)
Acele
ració
n (
G)
Muslo
An
dar
Sen
tars
e y
rela
jars
e
Pe
rman
ece
r d
e p
ie
Co
rre
r
9
• Acelerómetro del tobillo
28 30 32 34 36
3
4
5
6
7
Tiempo (seg)
Ace
lera
ció
n (
G)
Andar
82 84 86 88 90 92
5
5.5
6
Tiempo (seg)A
ce
lera
ció
n (
G)
Sentarse y relajarse
420 430 440 450
5
5.2
5.4
5.6
5.8
6
6.2
6.4
Tiempo (seg)
Ace
lera
ció
n (
G)
Permanecer de pie
76 77 78 79 80
1
2
3
4
5
6
7
8
Tiempo (seg)
Ace
lera
ció
n (
G)
Correr
10
• Offset
• Saltos de discontinuidad (descalibración)
• Anomalías (movimientos irregulares, cambios de orientación, caídas, etc.)
• Ruido de alta frecuencia
NECESIDAD DE PREPROCESAMIENTO
11
• Filtrado de media modificado – Permite eliminar el offset – Elimina las descalibraciones
• Filtrado paso bajo + paso alto – Elimina ruido de alta frecuencia – Elimina offset – Elimina picos de baja frecuencia
• Otras opciones valoradas – Filtro de mediana – Wavelets
Original Filtrado media
LPF + HPF
12
Magnitudes
Amplitud Autocorrelación Cepstrum Densidad espectral de energía Espectro en amplitud Espectro en fase Histograma Reconstrucción de mínima fase Valor de los históricos Wavelet
Correlación cruzada Coherencia espectral Índice de desfase
Operaciones matemático-estadísticas
Coeficiente de asimetría Cruces por cero Curtosis Desviación estándar Distorsión armónica total Energía total Entropía Máximo Media aritmética, armónica, geométrica, truncada Mediana Mínimo Moda Momento de orden 4 y 5 Posición del máximo/mínimo Rango Varianza
14
• Método de la señal completa
• Método de la subseñal más característica – Basado en correlación
– Basado en coherencia
• Método de la ventana – Fija
– Solapada
15
LABORATORIO
SEMINATURALÍSTICOS
Filtrados Originales Sin Offset
Señal completa Subseñal (correlación) Subseñal (coherencia) Ventana (fija) Ventana (solapamiento)
Filosofía de monitorización
Preprocesado Técnica de extracción
16
• Influye en el proceso de clasificación
POSICIÓN ÓPTIMA Pocas Características Buena Clasificación
0 200 400 600 800-1
-0.5
0
0.5
1x 10
4 Acel. TOBILLO, Act. CORRER
Características
Va
lor
de
la
ca
racte
rística
0 0.2 0.4 0.6 0.8 10
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2x 10
4
Nivel de solapamiento
Núm
ero
de c
ara
cte
rísticas d
iscrim
inante
s
ACELERÓMETRO DEL TOBILLO
Andar
Sentarse y relajarse
Permanecer de pie
Correr
Act. conjuntas
Act. y acel. conjuntas
0 200 400 600 800-1
-0.5
0
0.5
1x 10
4 Acel. TOBILLO, Act. CORRER
Características
Va
lor
de
la
ca
racte
rística
• Conjunto de características muy amplio (861 variables 2861
1.5 x 10259 posibles combinaciones)
18
Criterio de solapamiento
19
ACELERÓMETRO DEL MUSLO
Criterio de solapamiento
Criterio de calidad discriminante
Actividades discriminadas
Acelerómetros donde lo permite
Grupo de Calidad
4 5 #1
4 4 #2
4 3 #3
4 2 #4
4 1 #5
3 5 #6
3 4 #7
3 3 #8
3 2 #9
3 1 #10
2 5 #11
2 4 #12
2 3 #13
2 2 #14
2 1 #15
1 5 #16
1 4 #17
1 3 #18
1 2 #19
1 1 #20
0 5 #21
20
ACELERÓMETRO DEL MUSLO
Criterio de solapamiento
21
Publicaciones: Baños, O., Pomares, H., Rojas, I.: Ambient Living Activity Recognition based on Feature-set Ranking Using Intelligent Systems. In: Proceedings of the 2010 International Joint Conference on Neural Networks (IJCNN 2010), IEEE, Barcelona July 18-23, (2010) Baños, O., Pomares, H., Rojas, I.: Novel Method for Feature-set Ranking Applied to Physical Activity Recognition. In: Proceedings of The Twenty Third International Conference on Industrial, Engineering & Other Applications of Applied Intelligent Systems (IEA-AIE 2010), Córdoba June 1-4,(2010) Baños, O., Pomares, H., Rojas, I.: Hibridación de Paradigmas de Clasificación en el Contexto del Reconocimiento Automático de Actividades Físicas Cotidianas. En: XV Congreso Español sobre Tecnologías y Lógica Fuzzy (ESTYLF 2010), Huelva Febrero 3-5, (2010) Baños, O., Pomares, H., Rojas, I.: Redes de Sensores Inalámbricos en Entornos de Inteligencia Ambiental, Teleasistencia y E-Salud. En: III Simposio de Inteligencia Computacional (SICO 2010), Valencia Septiembre 8-9, (2010)
ACELERÓMETRO DEL MUSLO
• Nº de características discriminantes en función del umbral de solapamiento
0 0.2 0.4 0.6 0.8 1
0
200
400
600
800
1000
Nivel de solapamiento
Nú
me
ro d
e c
ara
cte
rística
s d
iscrim
ina
nte
s ACELERÓMETRO DEL BRAZO
• Modelo utilizado: criterio de restricción máximo (usolap, ÓPTIMO = 0)
– Categorías basadas en el método de extracción de la subseñal más característica no superan la condición
0 0.2 0.4 0.6 0.8 10
100
200
300
400
500
600
700
800
900
Nivel de solapamientoNúm
ero
de c
ara
cte
rísticas d
iscrim
inante
s
ACELERÓMETRO DE LA MUÑECA
Andar
Sentarse y relajarse
Permanecer de pie
Correr
Act. conjuntas
Act. y acel. conjuntas
0 0.2 0.4 0.6 0.8 10
100
200
300
400
500
600
700
800
900
Nivel de solapamientoNú
me
ro d
e c
ara
cte
rística
s d
iscrim
ina
nte
s ACELERÓMETRO DE LA MUÑECA
Andar
Sentarse y relajarse
Permanecer de pie
Correr
Act. conjuntas
Act. y acel. conjuntas
22
• Selectores basados en distancias o criterios estadísticos, usados ampliamente en diversos contextos
23
• Nuestra herramienta destaca como la más rápida de las empleadas
• Pueden ser
Supervisados / No supervisados Binarios / Multientrada Binarios / Multiobjetivo Paramétricos / No paramétricos Etc.
• Principales
opciones
Lógica Difusa Redes Neuronales Máquinas de Soporte Vectorial (SVM) Árboles de Decisión Redes Bayesianas Modelos Ocultos de Markov
25
• Muy rápido
• Fácil interpretación
• Relación con el selector basado en solapamiento
• Modelo multiclase directo
• Modo binario y modo multivariable
26
• Rápido
• Opera bien a partir de datos parciales
• Asume independencia estadística entre las variables de entrenamiento
27
• Rápido • Solución simple • Buenos precedentes • Multiclase basado en
modelos binarios • Diferentes tipos de
kernels (lineal, cuadrático, RBF, MPL, etc.).
0 50 100 150 2000
20
40
60
80
100
120
Media geométrica de los coeficientes wavelets a3, señal del eje XMe
dia
ge
om
étr
ica
de
lo
s c
oe
ficie
nte
s w
ave
lets
a3
, se
ña
l d
el e
je Y Hiperplano separador para kernel RBF
Resto de actividades (entrenamiento)
Resto de actividades (clasificado)
Andar (entrenamiento)
Andar (clasificado)
Vectores de soporte
28
29
• Clasificadores binarios son más robustos y ofrecen por lo general mejor performance
• Los modelos para definir sistemas de decisión multiclase no aprovechan por lo general las capacidades que ofrecen las unidades binarias o resultan muy costosos
• No existe un modelo unificado que proporcione resultados destacables bajo cualquier contexto o ámbito de aplicación
30
• Principal (P)
• Grupos de calidad (GC)
• Roles cambiados (RC)
32
• Principal (P)
• Grupos de calidad (GC)
• Roles cambiados (RC)
33
1 Carac. 2 Carac. 3 Carac. 4 Carac. 5 Carac. 10 Carac.
2-fold
5-fold
10-fold
• Principal (P)
• Grupos de calidad (GC)
• Roles cambiados (RC)
34
1er GC 1º+2o GC 1º+2o+3o GC 1º+2o+3o+4o
GC
1º+2o+3o+4o
+5o GC
1º+2o+3o+4o
+5o+6o GC
2-fold
5-fold
10-fold
• La metodología basada en el CHJP ofrece los mejores resultados (para ambos ámbitos de monitorización)
• Usando sólo una característica se alcanzan ratios de acierto prácticamente absolutos
35
Laboratorio (DT, empleando 1 característica)
Seminaturalístico (DT, empleando 1 característica)
• La metodología basada en el CHJP ofrece los mejores resultados • Resultados muy buenos, sobretodo al emplear características
seminaturalísticas en contextos de laboratorio
36
Laboratorio (DT, empleando 1 característica)
Seminaturalístico (DT, empleando 1 característica)
• La metodología basada en el CHJP ofrece los mejores resultados • Resultados muy buenos, sobretodo al emplear características
seminaturalísticas en contextos de laboratorio • Al aumentar la longitud del vector de características se mejoran los
resultados (salvo en los NB), logrando un altísimo performance
37
Laboratorio (DT, empleando 3 características)
Seminaturalístico (DT, empleando 3 características)
38
• Se obtienen sistemas de clasificación con ratios de acierto próximos o iguales al 100%
• La metodología más interesante es la basada en el CHJP, empleando DT y SVM. Los NB operan bien pero su eficiencia se ve reducida al aumentar el número de características
• La metodología Propia de selección ofrece características con un alto nivel de discriminación
• Cualquier fuente es utilizable, pero destaca el uso de la información monitorizada a través de la muñeca
TRABAJO Ratios de acierto
L. Bao and S.S. Intille.,“Physical Activity Recognition from Acceleration Data under Semi-Naturalistic Conditions” (2004)
DT (89%), kNN (83%), NB (52%)
M. Ermes et al, “Detection of Daily Activities and Sports With Wearable Sensors in Controlled and Uncontrolled Conditions” (2008)
ANN (93%), Jerárquico (83%), DT (60%)
U. Maurer et al, “Activity Recognition and Monitoring Using Multiple Sensors on Different Body Positions” (2006)
DT (87%), NB y kNN (<87%)
S. Pirttikangas et al, “Feature Selection and Activity Recognition from Wearable Sensors” (2006)
ANN (93%), kNN (90%)
ESTE ESTUDIO CHJP + DT (>98.00% (SEM),
99.99% (LAB))
Fuente: S. J. Preece et al, “Activity identification using body-mounted sensors—a review of classification techniques” (2009)
39
• El preprocesado, modelo de extracción y selección de características, y clasificador determinan de forma directa la eficiencia del sistema
• Se obtienen diferentes realizaciones algunas de las cuales ofrecen ratios de eficiencia prácticamente absolutos
• Cada acelerómetro ofrece por sí mismo un ratio de acierto alto, luego a priori no sería necesario utilizar combinaciones (si bien se pueden emplear en modo redundante). Especialmente interesante es el acelerómetro de la muñeca
41
• Estudiar otras alternativas a la metodología propuesta, trabajando también en la mejora de las técnicas ideadas y aplicando un estudio cruzado
• Analizar otras actividades, acelerómetros y proponer un sistema propio de monitorización
• Integrar el diseño junto a otros sistemas de reconocimiento para aplicaciones específicas
42