X-BCD: Explainable Sensor-Based Behavioral Change Detection in Smart Home Environments

El artículo presenta X-BCD, un marco no supervisado y explicable que detecta y caracteriza cambios en las rutinas de actividad a partir de datos de sensores inteligentes en el hogar, transformando estos hallazgos en explicaciones en lenguaje natural para apoyar la evaluación clínica del deterioro cognitivo.

Lo esencial

Imagina que tu casa es un orquestador silencioso. Cada vez que abres la nevera, enciendes la luz del pasillo o te mueves en la cama, los sensores de tu hogar (como pequeños músicos) tocan una nota. Durante años, estos músicos han tocado una melodía muy específica: tu rutina diaria.

El problema es que, cuando una persona empieza a tener problemas cognitivos leves (como el deterioro cognitivo leve o MCI), no es que de repente deje de tocar la música. Es que la melodía empieza a cambiar de forma sutil: se vuelve más lenta, se rompen algunas notas, o aparecen ritmos nuevos y extraños.

Los médicos tradicionales solo escuchan esta música una vez al año en una consulta. Es como intentar entender una sinfonía entera escuchando solo un segundo de ella cada año. Es muy difícil detectar los cambios.

Aquí es donde entra X-BCD, la herramienta que presentan los autores de este artículo.

¿Qué es X-BCD? (El "Traductor de Hábitos")

X-BCD es como un detective digital con un traductor mágico. Su trabajo no es solo escuchar los sensores, sino entender la historia que cuentan y explicarla en un lenguaje que un médico pueda entender fácilmente.

Funciona en tres pasos simples:

1. Escuchar la melodía (Detección de cambios):
   Imagina que tienes una cinta de audio de un año. X-BCD escucha esa cinta y dice: "Oye, aquí, en el mes de marzo, la música cambió de ritmo". No busca errores aislados (como un día que te levantaste tarde), sino cambios que duran y que alteran la estructura de tu vida diaria.

2. Analizar la partitura (Reorganización de rutinas):
   Una vez que detecta el cambio, el detective se pone a analizar cómo cambió la música. ¿Se simplificó la melodía? ¿Se rompió en pedazos? ¿Aparecieron notas nuevas?

   • Ejemplo: Antes, el paciente tenía una rutina de "días laborables" (rápida y ordenada) y una de "fines de semana" (lenta y relajada). De repente, X-BCD detecta que la rutina de los fines de semana se ha mezclado con la de los días laborables, o que la rutina de los días laborables se ha fragmentado en tres ritmos confusos.

3. Hablar con el médico (Explicación en lenguaje natural):
   Aquí es donde entra la magia. En lugar de mostrarle al médico una tabla llena de números y gráficos confusos, X-BCD usa una Inteligencia Artificial (un "cerebro" entrenado con datos médicos) para escribir un resumen en español.

   • En lugar de decir: "El vector de centroides cambió un 0.45 y la varianza aumentó".
   • Dice: "El paciente solía cocinar todos los días a la misma hora con una rutina estable. Ahora, ha dejado de cocinar los martes y jueves, y cuando lo hace, lo hace de forma más breve y desordenada. Parece que ha simplificado su rutina de cocina, quizás porque le resulta más difícil planificar".

¿Por qué es tan importante esto?

El artículo compara dos grupos de pacientes con deterioro cognitivo:

• Grupo A: Aquellos cuyo problema es causado por una enfermedad neurodegenerativa (como el Alzheimer).
• Grupo B: Aquellos cuyo problema es por otras causas (no neurodegenerativas).

El sistema descubrió algo fascinante:

• El Grupo A (neurodegenerativo) tendía a tener rutinas que se simplificaban y se volvían rígidas. Era como si la música perdiera sus matices y se volviera monótona. Sus cambios eran más profundos y duraderos.
• El Grupo B (no neurodegenerativo) mostraba más variabilidad y "ruido". Sus rutinas cambiaban más a menudo, pero a veces era por ansiedad o depresión, no porque la estructura de su cerebro se estuviera desmoronando.

X-BCD pudo distinguir estas dos "melodías" diferentes, algo que un médico humano tendría mucha dificultad de ver solo con visitas esporádicas.

En resumen

Imagina que X-BCD es un guardián de la memoria de tu hogar. No solo vigila que todo esté en su lugar, sino que nota cuando la forma en que vives tu vida empieza a cambiar de manera preocupante.

Lo más genial es que no te da un informe técnico aburrido. Te da una historia: "Tu abuelo solía tener una rutina de sueño muy clara, pero ahora sus noches se han vuelto fragmentadas y sus días de actividad se han vuelto más cortos y menos variados".

Esto permite a los médicos actuar antes, entender mejor qué está pasando y ofrecer ayuda más personalizada, convirtiendo los datos fríos de los sensores en una comprensión cálida y humana de la salud de las personas mayores.

Resumen técnico

Resumen Técnico: X-BCD

1. Planteamiento del Problema

El deterioro cognitivo leve (DCL) y su progresión hacia la demencia a menudo se manifiestan primero a través de cambios sutiles en las Actividades de la Vida Diaria (AVD). Sin embargo, identificar estos cambios es difícil mediante visitas clínicas esporádicas. Aunque existen sistemas de reconocimiento de actividades en hogares inteligentes, la mayoría se centra en la identificación de actividades aisladas (ej. "cocinar", "dormir") en lugar de analizar la evolución de patrones de comportamiento a largo plazo.

El desafío principal es que los cambios conductuales en el DCL no son simplemente anomalías puntuales, sino reorganizaciones estructurales de las rutinas diarias (simplificación, fragmentación, pérdida de subrutinas o desarrollo de comportamientos compensatorios). Los métodos actuales suelen resumir estos cambios en puntuaciones de "desviación" (drift scores) agregadas, lo que oculta la naturaleza semántica y estructural de la reorganización, dificultando la interpretación clínica.

2. Metodología: El Marco X-BCD

X-BCD es un marco no supervisado y explicable diseñado para detectar y caracterizar cambios en las rutinas de comportamiento utilizando datos de sensores multimodales. Su objetivo es generar descripciones en lenguaje natural comprensibles para clínicos. El pipeline se compone de los siguientes módulos:

• Codificación de Características (Feature Encoding):

  • Transforma las señales crudas de los sensores (movimiento, temperatura, wearables) en vectores de características interpretables y específicas del dominio (ej. duración del sueño, número de pasos, uso de cocina).
  • Incluye codificaciones temporales (seno/coseno para la periodicidad circadiana) y contextuales (días laborables vs. fin de semana).
  • Las características se normalizan mediante puntuación Z para permitir comparaciones a largo plazo.

• Detección de Puntos de Cambio (Change Point Detection - CPD):

  • Utiliza el algoritmo PELT (Pruned Exact Linear Time) para identificar retrospectivamente los puntos en el tiempo donde las propiedades estadísticas de las series temporales cambian significativamente.
  • Divide la serie temporal en segmentos donde el comportamiento es internamente consistente.

• Seguimiento de la Evolución de Clústeres (Cluster Evolution Tracking):

  • Dentro de cada segmento, se aplica un algoritmo de agrupamiento basado en densidad (ej. DBSCAN) para identificar "rutinas" (patrones recurrentes).
  • Compara los clústeres entre un período de referencia (RP) y un período de observación (OP) para detectar tipos de cambios estructurales:
    • Continuidad Evolutiva: Rutinas estables o con deriva (drift).
    • Cambios Topológicos: Aparición de nuevas rutinas (Novel), desaparición de antiguas (Disappeared), división de una rutina en varias (Split) o fusión de varias en una (Merge).
  • Se utiliza una métrica de similitud ponderada que considera la distancia entre centroides y la concordancia de la varianza.

• Interpretación Basada en LLM (Large Language Models):

  • Transforma los datos técnicos (centroides, tipos de cambio) en descripciones en lenguaje natural.
  • Utiliza un modelo de lenguaje (MedGemma 27B) fine-tuneado en datos médicos.
  • Estrategia de Seguridad: Para evitar alucinaciones, el LLM no recibe los datos crudos, sino una representación intermedia estructurada (descripciones de rutinas y mapas de evolución de clústeres). Genera tres secciones: Tendencia Global, Dinámica de Hábitos e Implicaciones Potenciales (con lenguaje cauteloso).

3. Contribuciones Clave

1. X-BCD: Un enfoque novedoso que integra la detección de puntos de cambio con el seguimiento de la evolución de clústeres para caracterizar cambios conductuales a un nivel de granularidad fina (rutinas), capturando cómo persisten, se desvían, emergen o desaparecen.
2. Explicabilidad: Genera descripciones en lenguaje natural comprensibles para clínicos, evitando el uso de jerga técnica (como "centroides" o "drift") y centrándose en el significado funcional del cambio.
3. Validación en Datos Reales: Aplicación del sistema a datos longitudinales reales de 17 pacientes con DCL, demostrando su capacidad para revelar patrones de cambio conductual diferenciados entre cohortes con y sin patología neurodegenerativa.

4. Resultados y Evaluación

El estudio se realizó con datos recolectados durante 12-30 meses en hogares reales de pacientes con DCL, divididos en dos cohortes:

• Cohorte D: DCL atribuible a enfermedad neurodegenerativa (8 sujetos).
• Cohorte ND: DCL no atribuible a enfermedad neurodegenerativa (9 sujetos).

Hallazgos principales:

• Diferencias en la Estabilidad: La cohorte D mostró una mayor estabilidad en las rutinas de sueño (menos cambios detectados), lo que sugiere una pérdida de flexibilidad adaptativa debido a la neurodegeneración. En contraste, la cohorte ND mostró más cambios en el sueño, posiblemente reflejando una mayor variabilidad adaptativa o síntomas afectivos (ansiedad).
• Actividad Física y Cocina: La cohorte D presentó más cambios en la actividad física (pasos/elevación) y en los hábitos de cocina. Esto es consistente con la literatura que indica que las IADL (Actividades Instrumentales de la Vida Diaria) como cocinar son vulnerables tempranamente en la neurodegeneración, llevando a reorganizaciones conductuales.
• Análisis de Sensibilidad: El sistema demostró robustez ante variaciones en los hiperparámetros (penalización de cambio, umbrales de similitud y deriva), operando en regiones estables donde los resultados no cambian drásticamente con pequeñas perturbaciones.
• Evaluación de Expertos: Un equipo clínico validó las explicaciones generadas, confirmando que eran fieles a los datos de los sensores y útiles para el razonamiento clínico, aunque sugirieron simplificar la sección de "Dinámica de Hábitos" para hacerla menos técnica.

5. Significado e Impacto

• Clínico: X-BCD no es una herramienta de diagnóstico, sino de apoyo a la decisión. Proporciona marcadores digitales interpretables que pueden ayudar a estratificar el riesgo temprano de deterioro cognitivo y priorizar evaluaciones clínicas, reduciendo la dependencia de procedimientos invasivos.
• Metodológico: Demuestra que la interpretación de cambios conductuales complejos requiere ir más allá de la detección de anomalías puntuales, enfocándose en la reorganización estructural de las rutinas.
• Explicabilidad: Establece un nuevo estándar en la monitorización de salud al combinar técnicas de aprendizaje no supervisado con la generación de narrativas clínicas, haciendo que la "caja negra" de los algoritmos sea transparente para los profesionales de la salud.

En conclusión, X-BCD ofrece un marco viable para transformar datos de sensores pasivos en información clínicamente accionable sobre la evolución del comportamiento en personas mayores, destacando diferencias sutiles pero críticas entre tipos de deterioro cognitivo.