Sensor event segmentation for monitoring of daily living activities

In health monitoring systems, activity recognition is fundamental to track health status of the elderly in order to identify behaviors deviation from accepted range. Building an activity recognition system, which is able to infer behaviors of inhabitants accurately, requires opportune sensors events segmentation. A majority of researches utilize supervised methods to perform SENSOR events segmentation, and they require prior labeled dataset on which the statistical models are trained. However, obtaining labeled datasets are not always feasible in the real world due to the fact that they have to be labeled manually. In this thesis, we propose an unsupervised approach to delineate boundaries of activity automatically without prior labeling and prior training on static datasets. Our proposed approach exploits Bayesian online change point detection (BOCPD), which is an online change point detection (abrupt changes in system), to detect activity transitions. First a window based on sensor events with the length s is slid over the data stream and transform the window into a fixed dimension feature vector. Then, BOCPD is used to detect activity transitions. To evaluate the effectiveness of our proposed approach, we use two real smart home datasets (CASA and Kasteren) and TPR (True Positive Rate), which is the ratio of detected true activity transitions by our method to the total number of activity transitions), is computed for each.

Nei sistemi di monitoraggio della salute, il riconoscimento dell'attività è fondamentale per tracciare lo stato di salute degli anziani al fine di identificare la deviazione dei comportamenti dall'intervallo accettato. Costruire un sistema di riconoscimento delle attività, che sia in grado di inferire accuratamente i comportamenti delle persone, richiede opportune segmentazioni degli eventi dei sensori. La maggior parte delle ricerche utilizza metodi supervisionati per eseguire la segmentazione degli eventi dei sensori e richiede un set di dati precedentemente etichettato sul quale vengono formati i modelli statistici. Tuttavia, ottenere set di dati etichettati non è sempre fattibile nel mondo reale a causa del fatto che devono essere etichettati manualmente. In questa tesi, proponiamo un approccio non supervisionato per delineare automaticamente i confini dell'attività senza previa etichettatura e formazione preventiva sui set di dati statici. Il nostro approccio proposto sfrutta il rilevamento del punto di cambio di linea bayesiano (BOCPD, Bayesian online change point detection), che è un rilevamento di punti di cambiamento di linea (bruschi cambiamenti nel sistema), per rilevare le transizioni di attività. Innanzitutto una finestra basata su eventi provenienti dai sensori con di lunghezza s viene fatta scorrere sul flusso di dati e trasforma la finestra in un vettore di feature di dimensione fissa. Quindi, BOCPD viene utilizzato per rilevare le transizioni di attività. Per valutare l'efficacia del nostro approccio proposto, utilizziamo due dataset di case intelligenti (CASA e Kasteren) e TPR (True Positive Rate, che è il rapporto tra transizioni di attività reali rilevate dal nostro metodo e il numero totale di transizioni di attività), è calcolato per ciascuno.