A uniform approach to HAR in unobtrusive indoor monitoring systems

Research in human activity recognition encompasses a wide range of sensor types and classification methods for identifying actions based on sensor activations. However, to narrow down the research focus and prioritize the early detection of neurodegenerative diseases in the elderly population, the emphasis was placed on minimizing invasiveness. As a result, certain sensor options were excluded from consideration. Cameras, for instance, were deemed unsuitable due to privacy concerns. Wearable sensors like bracelets or smartphones were also disregarded due to the high likelihood of individuals forgetting to wear them, especially among older age groups with a higher incidence of memory problems. Consequently, the sole viable option remaining was the utilization of fixed sensors strategically positioned throughout the house. This approach is considered the most suitable for data collection, particularly when considering the older segments of the population. In the realm of human activity recognition utilizing non-invasive sensors, there is a prevalent issue leading to inconsistencies among various research studies in the current state of the art. This issue revolves around the absence of a standardized dataset that would enable a unified approach to classification or predictive research. Complicating matters further, the problem is compounded by the variability introduced by individuals engaging in diverse activities, influenced by factors such as age, socio-economic status, nationality, and personal or family habits. Moreover, the distinct floor plans and sensor arrangements found in different households present significant challenges not only in conducting research but also in comparing and evaluating performance across diverse studies. To tackle this problem, this research proposes a unified approach to human activity recognition (HAR) using non-invasive sensors. The first step involves defining Functional Areas, which abstract from the specific floor plan of each individual house by summarizing or expanding real rooms. Subsequently, an effort is made to identify a minimal number of Detector Units that can effectively summarize the individual-specific sensors without substantial information loss. Additionally, a set of fundamental activities is established, primarily based on Katz's activities of daily living (ADL), as they are regarded as reliable indicators of a person's basic well-being. These operations provide a level of abstraction that facilitates the comparison of datasets with varying sensors, rooms, and recognized activities. Moreover, collectively, they can be utilized to construct a classification model or even a predictive model that is as independent as possible from the original set of floor plans, sensor configurations, and recognized activities.

La ricerca riguardante il riconoscimento delle attività umane presenta numerose varianti nel tipo di sensori utilizzati, oltre che nel metodo per classificare l'azione svolta sulla base delle loro attivazioni. Per restringere il campo di ricerca, poiché l'interesse è sulla ricerca per il supporto volto al riconoscimento precoce di malattie neurodegenerative nella popolazione anziana, si desidera l'invasività più bassa possibile; escluse telecamere (ragionevolmente considerabili fonte di ansia per l'annullamento della privacy che comportano) e sensori \emph{wearable}, quali braccialetti o smartphone (in quanto la probabilità che essi vengano dimenticati e non indossati è alta, per la maggior incidenza di problemi di memoria nelle fasce più anziane) rimane la sola opzione dei "\emph{fixed sensors}", ovvero di tutto il ventaglio di sensori che è possibile posizionare in punti strategici della casa. Questa è considerabile la soluzione migliore per la raccolta di dati in riferimento alla popolazione anziana. Nell'ambito specifico del riconoscimento delle attività umane mediante sensori non invasivi, emerge un problema che spesso porta a incoerenze tra differenti ricerche presenti nello stato dell'arte: la mancanza di uno standard per i dataset, che permetta un approccio unificato per svolgere classificazione o ricerca predittiva, unito alla variabilità introdotta dalle differenti attività svolte dai residenti (che possono variare in correlazione a molteplici fattori, quali età, ceto, nazionalità e abitudini personali o familiari) e dalle differenti planimetrie delle case e conseguenti differenti disposizione, numero e tipo di sensori porta a una grossa difficoltà non solo di ricerca, ma anche di comparazione e confronto nelle performance tra diversi lavori. Per cercare di ovviare a questo problema, in questa ricerca si propone un approccio uniforme al riconoscimento delle attività umane (Human Activity Recognition (HAR)) mediante sensori non invasivi: innanzitutto si definiscono Aree Funzionali che permettano di astrarre dalla planimetria della singola casa (riassumendo o espandendo stanze reali), successivamente si cerca di riconoscere un numero minimo di unità di rilevamento che permettano di riassumere in modo significativo e al contempo senza una eccessiva perdita di informazione i singoli specifici sensori. Inoltre, si definisce un set di attività fondamentali (per la maggior parte riconducibili alle attività quotidiane (Activities of Daily Living (ADL)) di Katz, in quanto esse sono considerabili attendibili per il benessere basilare di un essere umano). Queste operazioni quindi forniscono un grado di astrazione che permette non solo di comparare dataset con sensori, stanze e attività riconosciute diverse, ma anche di poterli utilizzare nel complesso per cercare di costituire un modello di classificazione (in questo caso, ma è possibile anche un modello predittivo) il più possibile indipendente dal set originario di planimetria, sensoristica e attività riconosciute. Infine, si è studiata la compatibilità di un insieme di Datasets tradotti secondo le regole di cui sopra, con diversi modelli di Deep Learning per svolgere classificazione, traendone risultati discreti.