Измерение прогрессивных изменений в деятельности людей является предметом научного интереса в сообществе машинного обучения и в последнее время привлекает к себе больше внимания. Это может быть повседневная деятельность (ADL) или ежедневная работа (ADW). Ряд медицинских состояний и их лечение связаны с такими расстройствами деятельности, как снижение подвижности с течением времени. Болезнь Паркинсона, например, характеризуется замедлением движения, а некоторые легкие когнитивные нарушения (MCI) вызывают небольшое, но заметное и измеримое снижение уровня ADL. Понимание прогрессивных изменений в поведении людей является ключевой задачей в формировании эффективной интеллектуальной среды.
Многие исследователи исследовали вопрос распознавания человеческой деятельности с целью решения проблемы извлечения и прогнозирования активности человека. В этих исследованиях использовались различные статистические данные, а также методы и методы вычислительной разведки для определения поведения людей на основе временных данных, собранных с помощью сенсорных сетей.
Использование таких методов сопряжено с многочисленными трудностями при поиске взаимосвязи между собранными сенсорными данными из интеллектуальной среды и выявлении фактического поведения участника. Понимание поведения человека на основе сенсорных данных низкого уровня и их осмысленная интерпретация являются основными проблемами, с которыми столкнулись участники исследования.
Целью исследования является выявление тенденций в ADL или ADW и интерпретация их в презентабельном формате для пользователя. Тенденции в поведении людей используются для выявления прогрессивных изменений и прогнозирования поведенческих аномалий. Тенденции в поведении людей мы называем поведенческой эволюцией. Например, выявление прогрессивных изменений в поведении человека, страдающего синдромом дефицита внимания, позволит лицу, осуществляющему уход, контролировать и вмешиваться в случае прогнозирования аномального поведения.
- С течением времени характер ADL будет меняться, и это является следствием состояния человека и прогрессирования заболевания. Определение эволюционирующей модели поведения поможет предсказать тенденцию в ADL до того, как будут выявлены какие-либо отклонения.
В качестве другого примера можно привести наблюдение и анализ рабочей деятельности человека в офисе, что позволит руководителям получить аналитический инструмент для измерения производительности труда сотрудников. Это может быть комплексным показателем многих видов деятельности, включая работу с компьютером, канцелярскую работу, совещания и т.д.
Сопутствующая работа
В этом разделе представлен краткий обзор соответствующей работы в контексте анализа тенденций и выявления аномалий.
Анализ тенденций
Для понимания общих изменений в состоянии здоровья и эволюции поведения участников используются методы анализа тенденций. Анализ деятельности участника может быть полностью понятен только в том случае, если ежедневная деятельность рассматривается с точки зрения личности, места и времени. Многие исследователи изучили методы анализа тенденций, которые могут быть применены к поведенческой деятельности человека, извлеченной из интеллектуальной среды.
Представлено очень похожее исследование тенденций в инвалидности инструментальной активности повседневной жизни среди пожилых китайцев. Тенденции в повседневной жизни людей, переживших инсульт, исследованы в работе Chattopadhyay et al. В рамках других усилий Форкан и др. использовали анализ тенденций для выявления тенденций в своих данных, но не ясно, какой метод анализа тенденций они использовали.
Тем не менее, исследование было сосредоточено на лингвистическом обобщении, а не на анализе тенденций. Анализ и прогнозирование финансовых временных рядов значительно затруднены. Furlaneto et al применили эффект смещения при прогнозировании рыночных тенденций с эмпирическим разложением мод (EMD) для прогнозирования рыночных индексов. Багер и др. представили концепцию тенденции учета динамики в интересах пользователей для системы рекомендаций на основе контента. Для построения трендовых распределений авторы предложили байесовскую непараметрическую модель.
Обнаружение аномалий
Suryadevara et al применили стратегию двойного экспоненциального сглаживания к временным рядам продолжительности активности в моделях, которые обнаруживают изменения в поведенческом и связанном со здоровьем состоянии пациента, находящегося под наблюдением и проживающего в умном доме. Saives et al представляют модель, позволяющую улучшить автономность отслеживаемых с медицинской точки зрения изменений в поведении пациентов в "умном доме". Умные" дома могут воспринимать долгосрочные изменения, которые могут вызывать проблемы со здоровьем.
Такие системы предупреждают лиц, осуществляющих уход, и членов их семей о любых важных изменениях в поведении жильцов, таких как питание, повседневные задачи или состояние здоровья. AmI предлагает такие решения, например, используя распознавание человеческого поведения для мониторинга деятельности человека и оповещения опекуна в случае обнаружения чего-то ненормального.
Было доказано, что признание человеческого поведения является ценным ключом к пониманию потребностей людей. Вероятностные модели, такие как модель скрытого Маркова (HMM) и байесовские сети верований, могут быть использованы для моделирования поведения человека. Таким же образом можно использовать программные вычисления и методы машинного обучения, такие как искусственные нейронные сети (ИНС) и векторные машины поддержки (SVM).
Однако все упомянутые методы сталкиваются с трудностями при обработке больших объемов сенсорных данных низкого уровня, поэтому крайне важно преобразовывать сенсорные данные в подходящий формат, который может быть обработан.