A method for activities of daily living recognition based on Bayesian belief networks

According to data from the World Population Prospects, the world’s inhabitants are getting older. What is needed is a way to improve the quality of independent living of elderly people and their families. A solution is presented by Information and Communication Technology (ICT) which allows to build automatic health monitoring systems. In this thesis work we present a method to perform Activities of Daily Living (ADLs) recognition based on Bayesian Belief Networks, using the data provided by a Smart Home. We have defined a set of tags to relate the sensors with the ADLs, independently from the physical implementation of the sensors network. These labels provide a high level representation of each sensor. Few of these tags are associated to each sensor, according to its semantics. We have also defined five temporal tags to represent time slots of the day (Morning, Noon, Afternoon, Evening, Night). Bayesian Networks can be used to represent the relation between these tags and each ADL. We have proposed a supervised and an a-priori approach of the method: in the first, the network has been trained using public datasets; instead, in the second it has been designed manually. First of all, we have standardized the three datasets used for the training, removing noise and making uniform the recognized activities. Then, we have labeled the datasets with the temporal and the active sensors’ tags. The validation of the method has been performed by training the networks on these datasets and by classifying a new dataset generated by a simulator. The results evaluation has been performed using Precision, Recall and Accuracy. As expected, a-priori approach performs better than the supervised one, since by designing the network manually we obtain a more general activities representation. Conversely, by creating the network from the data, the relation between activity and tags is less general since it is influenced by noise and peculiarities of the training datasets. Concluding, we believe that the a-priori approach would work well to perform activities recognition on different people using the same network. Instead, a supervised one would work better performing the training of the network and the classification on data of the same person.

Secondo i dati del World Population Prospects, la popolazione mondiale sta invecchiando. La sfida è quella di poter migliorare la qualità della vita delle persone anziane, garantendone una maggiore indipendenza ma allo stesso tempo un controllo da parte delle famiglie. Una possibile soluzione è fornita dallo sviluppo di nuove tecnologie che permettono di costruire sistemi di monitoraggio automatici delle persone. In questo lavoro di tesi presentiamo un metodo per eseguire il riconoscimento delle attività della vita quotidiana (ADL) basato sulle Bayesian Belief Networks, utilizzando i dati forniti da una Smart Home. Per poter mettere in relazione i sensori con le ADL abbiamo definito un insieme di tag che rappresentano i sensori ad alto livello. A ciascun sensore sono state associate alcune di queste etichette in base alla propria semantica. Abbiamo in oltre definito cinque tag temporali per rappresentare le fasce orarie della giornata (mattina, mezzogiorno, pomeriggio, sera, notte). Utilizziamo le reti bayesiane per rappresentare la relazione tra le etichette ed ogni ADL. Abbiamo proposto due approcci per questo metodo: uno supervisionato e uno a-priori. Nel primo caso, la rete viene costruita utilizzando dati pubblicati, disponibili on-line; invece nel secondo caso, la rete è progettata a mano. Per prima cosa, abbiamo standardizzato i tre dataset utilizzati, rimuovendo gli errori e uniformando le attività riconosciute. Quindi abbiamo etichettato i dataset, associando i tag temporali e quelli dei sensori attivi. Abbiamo quindi usato le reti ottenute durante gli addestramenti, per testare questo metodo, classificando i dati di un nuovo dataset, generati da un simulatore. La validazione dei risultati è stata eseguita utilizzando Precision, Recall e Accuracy. Come atteso, l’approccio a-priori classifica meglio i dati rispetto a quello supervisionato, poiché, progettando manualmente la rete possiamo definire una rappresentazione più generale delle attività. Al contrario, creando la rete in modo automatico dai dati, le relazioni tra le attività e le etichette sono influenzate da errori e peculiarità contenute nei dati stessi.