CARE: Contrastive Alignment for ADL Recognition from Event-Triggered Sensor Streams

Resumen Técnico: CARE (Contrastive Alignment for ADL Recognition)

1. El Problema

La reconocimiento de Actividades de la Vida Diaria (ADL) a partir de sensores ambientales (como sensores de movimiento, puertas y temperatura) es fundamental para la Vida Asistida Ambientalmente (AAL). Sin embargo, los datos generados por estos sensores presentan desafíos únicos:

• Naturaleza de los datos: Son series temporales disparadas por eventos, lo que significa que son escasas (sparse), irregulares y ruidosas (ej. un sensor de movimiento solo se activa al pasar).
• Limitaciones de los enfoques existentes:
  • Métodos basados en secuencias: Preservan el orden temporal pero son sensibles al ruido, carecen de conciencia espacial explícita y a menudo ignoran el contexto temporal absoluto (ej. diferencia entre dormir por la noche vs. una siesta).
  • Métodos basados en imágenes: Transforman los eventos en imágenes para capturar patrones globales y correlaciones espaciales implícitas, pero sufren de distorsión en la disposición de los sensores (mapeo 1D a 2D), pérdida de resolución temporal fina y neglecto de la frecuencia de activación.
  • Fusión ingenua: La concatenación simple de características de ambos enfoques no fuerza una alineación real entre las vistas, subutilizando sus fortalezas complementarias.

2. Metodología Propuesta: CARE

El autores proponen CARE, un marco de aprendizaje de extremo a extremo que unifica las representaciones de secuencia e imagen mediante Alineación Contrastiva Supervisada.

A. Codificación de Secuencia (Resiliente al Ruido y Consciente del Tiempo)

• Binning Temporal: En lugar de ignorar las marcas de tiempo o usar solo intervalos entre eventos, se asigna una incrustación temporal de grano grueso (ej. por horas) a cada evento. Esto captura el contexto diario (mañana vs. noche) sin ser sensible a fluctuaciones de minutos.
• Filtrado de Eventos Basado en Frecuencia (FEF): Se eliminan activaciones de sensores que ocurren con muy baja frecuencia dentro de una actividad, asumiendo que son ruido o eventos accidentales. Esto reduce la longitud de la secuencia y mejora la robustez.
• Codificador: Utiliza una red recurrente (LSTM/BiLSTM) para procesar la secuencia enriquecida.

B. Representación de Imagen (Informada Espacialmente y Sensible a la Frecuencia)
Se propone una representación de imagen de doble perspectiva:

1. Imagen Temporal: Mapea el orden de los eventos y el estado de los sensores en canales de color, destacando la dinámica temporal.
2. Imagen Espacial: Utiliza las coordenadas reales del plano de planta de la casa. Los nodos representan la posición de los sensores (coloreados según su frecuencia de activación) y las aristas representan las transiciones entre sensores. Esto captura la topología real de la casa y los patrones recurrentes.

• Codificador: Una red convolucional (CNN, ej. ResNet18) procesa la imagen compuesta (concatenación de ambas).

C. Alineación Contrastiva Secuencia-Imagen (SICA)
El núcleo de CARE es la función de pérdida SICA, que fuerza a las representaciones de la secuencia y la imagen a converger en un espacio latente compartido:

• Objetivo: Asegurar que las incrustaciones de la misma actividad (vista desde la secuencia o desde la imagen) estén cerca, mientras que las de actividades diferentes estén lejos.
• Pares Positivos: Se consideran positivos tanto los pares dentro de la misma vista (secuencia-secuencia) como los pares cruzados (secuencia-imagen de la misma clase).
• Aprendizaje Conjunto: CARE integra la pérdida contrastiva (SICA) y la pérdida de clasificación (Entropía Cruzada) en una sola etapa de entrenamiento, evitando la necesidad de un pipeline de dos etapas.

3. Contribuciones Clave

1. Marco de Alineación Cruzada (CARE): Un enfoque agnóstico al modelo que alinea vistas heterogéneas (secuencia e imagen) en un espacio latente compartido, optimizando simultáneamente la alineación y la discriminación de tareas.
2. SICA (Sequence–Image Contrastive Alignment): Un objetivo de aprendizaje contrastivo supervisado que unifica las incrustaciones, asegurando consistencia entre vistas e invarianza a la clase.
3. Codificación Temporal Robusta: Un método que preserva el contexto diario global y filtra el ruido mediante umbralización de frecuencia, superando las limitaciones de los enfoques puramente ordenados.
4. Representación de Imagen Dual: Una nueva forma de codificar datos de sensores que integra patrones temporales, cues espaciales del plano de planta y sensibilidad a la frecuencia de activación.

4. Resultados Experimentales

El modelo fue evaluado en tres conjuntos de datos reales de CASAS (Milan, Cairo, Kyoto7).

• Rendimiento General (SOTA): CARE estableció un nuevo estado del arte (SOTA) en todos los conjuntos de datos:
  • Milan: 89.8% de precisión.
  • Cairo: 88.9% de precisión.
  • Kyoto7: 73.3% de precisión.
  • Superó consistentemente a modelos basados en secuencias (DeepCASAS, TCN), imágenes (DCNN), grafos y enfoques basados en texto (TDOST).
• Robustez:
  • Corrupción de Sensores: CARE mostró una alta resiliencia ante fallos de sensores (activaciones reemplazadas por valores por defecto) y variaciones en la disposición de los sensores (ruido gaussiano en coordenadas), degradándose menos que los modelos base.
  • Deriva Temporal: En pruebas de división temporal (entrenar en el 70% inicial, probar en el 30% final), CARE superó significativamente a los modelos baselines (hasta un 13% más en Kyoto7), demostrando capacidad de generalización temporal.
• Eficiencia: A pesar de usar dos ramas de codificación, el tiempo de inferencia es bajo (~0.011 s/batch), siendo mucho más rápido que los modelos basados en grafos y comparable a los modelos de imagen puros.

5. Significado e Impacto

• Superación de la Fusión Ingenua: El trabajo demuestra que la simple concatenación de características es insuficiente. La alineación contrastiva explícita es crucial para aprovechar la complementariedad entre la información temporal (secuencia) y espacial (imagen).
• Aplicabilidad en el Mundo Real: La robustez ante fallos de sensores y cambios en la disposición física de la casa hace que CARE sea una solución viable para despliegues reales en hogares inteligentes, donde la infraestructura de sensores no es estática ni perfecta.
• Eficiencia de Despliegue: Al ser un marco de entrenamiento de una sola etapa (end-to-end), es más fácil de implementar en sistemas de asistencia en tiempo real que los pipelines de dos etapas tradicionales.

En conclusión, CARE demuestra que alinear representaciones temporales y espaciales mediante aprendizaje contrastivo supervisado no solo mejora la precisión en la reconocimiento de actividades, sino que construye sistemas más robustos y generalizables para la vida asistida.