An Algorithm for On-Sensor Agnostic Detection of Changes in Human Activity for Ultra-Low-Power Applications

Aquí se presenta un resumen técnico detallado del artículo "Un algoritmo para la detección agnóstica en el sensor de cambios en la actividad humana para aplicaciones de ultra bajo consumo", presentado en la Conferencia FG 2026.

1. Planteamiento del Problema

Los dispositivos portátiles que utilizan Unidades de Medición Inercial (IMU) para el Reconocimiento de Actividad Humana (HAR) enfrentan un cuello de botella energético crítico. Las soluciones actuales de vanguardia ejecutan típicamente redes de HAR de forma continua en cada ventana de datos, independientemente de si la actividad del usuario ha cambiado.

• Ineficiencia: La actividad humana suele ser repetitiva y estática durante largos periodos. La clasificación continua durante estas fases estables desperdicia una vida útil significativa de la batería y recursos computacionales.
• Limitaciones de las Soluciones Existentes:
  • Optimización de Modelos: Técnicas como la cuantización y el recorte reducen el tamaño del modelo, pero aún requieren inferencia continua.
  • Jerárquico/Salida Temprana: Métodos como Dendron o estrategias de salida temprana reducen el costo por ventana, pero no eliminan las activaciones innecesarias cuando no ocurre ningún cambio.
  • Enfoques de Puerta (Gating): Los métodos de puerta existentes a menudo requieren entrenamiento fuera de línea en conjuntos de datos específicos o dependen de parámetros estadísticos rígidos (por ejemplo, CUSUM) que carecen de generalización entre diferentes dispositivos y tipos de actividad.

2. Metodología

Los autores proponen una puerta de detección de cambios ligera y no paramétrica que se ejecuta continuamente en el sensor. Esta puerta actúa como un filtro, invocando la red completa y computacionalmente costosa de HAR solo cuando se detecta un cambio en la actividad.

Fases del Algoritmo Central

El algoritmo opera en tiempo real con una ventana deslizante de 3 segundos (50% de superposición) y consta de cuatro fases:

1. Extracción de Características (por muestra):

   • En lugar de almacenar en búfer los datos crudos, las características se calculan muestra por muestra para minimizar la memoria y la latencia.
   • 12 Características: Extraídas de la aceleración y la velocidad angular, incluyendo normas euclidianas, derivadas de primer orden, componentes de gravedad (ángulos de Euler), tasas de cruce por la media y amplitudes pico a pico.

2. Creación de la Plantilla de Referencia:

   • El algoritmo identifica las dos características más informativas para la actividad actual analizando la Varianza (amplitud sostenida) y la Media de las Diferencias Cuadradas Sucesivas (MSSD) (variabilidad/periodicidad a corto plazo).
   • Estas dos características se normalizan y acumulan en un histograma 2D de 10×10 (una "plantilla") que representa la densidad conjunta del par de características. Esto sirve como la Plantilla de Referencia ($T_r$).

3. Creación de la Plantilla Actual:

   • Para cada nueva ventana, se genera una Plantilla Actual ($T_n$) utilizando las mismas dos características seleccionadas y los mismos límites de normalización (mínimo/máximo) establecidos durante la fase de referencia.

4. Comparación y Decisión:

   • La similitud entre $T_n$ y $T_r$ se calcula utilizando el Coeficiente de Correlación Normalizado (NCC).
   • Lógica de Decisión:
     • Si $NCC \geq Umbral$: La actividad es estable. No se toma ninguna acción; la red de HAR permanece apagada.
     • Si $NCC < Umbral$: Se detecta un cambio. La puerta activa la red completa de HAR, actualiza la Plantilla de Referencia y reinicia el ciclo de monitoreo.

Calibración

• Sin Entrenamiento Fuera de Línea: El algoritmo no requiere entrenamiento en grandes conjuntos de datos.
• Ajuste Específico del Dispositivo: Se utiliza una breve fase de calibración (2–3 minutos de datos con 8–10 transiciones) para determinar el umbral óptimo de NCC ($Th_{NCC}$). Este umbral se ajusta para maximizar la Tasa de Verdaderos Positivos (TPR) para asegurar que no se pierdan transiciones genuinas.

3. Contribuciones Clave

• Agnóstico y No Paramétrico: El método no requiere una definición previa de clases de actividad y no hace suposiciones sobre la distribución estadística de las señales del sensor.
• Huella de Recursos Ultra Baja:
  • Memoria: Requiere solo 4.53 kB (almacenando valores de características e histogramas).
  • Cálculo: Cuesta aproximadamente 16 kFLOPs por paso.
  • Comparación: Esto es >50 veces más económico que las redes de HAR típicas (por ejemplo, Dendron con ~853 kFLOPs).
• Alta Sensibilidad: Diseñado para priorizar la detección de todos los cambios (alta TPR) sobre la evitación de falsas alarmas, asegurando que la red de HAR nunca esté "dormida" durante una transición.
• Viabilidad de Hardware: Los bajos requisitos de memoria y cálculo permiten la implementación directamente en Unidades de Microcontrolador (MCU) y unidades de sensores inteligentes sin necesidad de un procesador anfitrión.

4. Resultados Experimentales

El algoritmo se evaluó en dos conjuntos de datos públicos a través de tres tipos de dispositivos: Gafas Inteligentes (UCA-EHAR), Reloj Inteligente (WISDM) y Teléfono Inteligente (WISDM).

• Comparación con Líneas Base:
  • CUSUM: Logró una TPR alta (91–94%) pero una generalización pobre entre diferentes tipos de dispositivos y dinámicas de transición.
  • ML Supervisado (DT, SVM): Mostró un rendimiento inconsistente entre dispositivos. Cuando se entrenaron con datos desequilibrados (escenario realista), la TPR disminuyó significativamente (por ejemplo, 61% para SVM en teléfono inteligente). También requirieron extenso entrenamiento fuera de línea.
• Ahorro de Energía:
  • En escenarios realistas de monitoreo (UCA-EHAR), la puerta redujo el número de ventanas que requieren inferencia completa de HAR en un 70% (activándose solo ~30% del tiempo).
  • Esto se traduce en una reducción estimada del 67% en la carga computacional total (FLOPs), extendiendo significativamente la vida útil de la batería.

5. Significado y Conclusión

Este artículo presenta un cambio de paradigma para el HAR en el borde, pasando de la "clasificación siempre activa" a la "activación impulsada por cambios".

• Impacto Práctico: Al desacoplar la detección continua de la tarea pesada de clasificación, el método permite dispositivos portátiles de ultra bajo consumo que pueden operar durante días o semanas con baterías pequeñas.
• Generalización: La capacidad del algoritmo para adaptarse a diferentes sensores (gafas, relojes, teléfonos) con solo una breve calibración lo hace altamente escalable para su implementación comercial.
• Trabajo Futuro: Los autores planean validar el sistema en dispositivos físicos en condiciones de monitoreo en tiempo real y del mundo real para verificar aún más los ahorros de energía y la robustez.

En resumen, la puerta "Agnóstica en el Sensor" propuesta ofrece una solución robusta, ligera y altamente sensible al cuello de botella energético en el HAR portátil, logrando un compromiso favorable entre la fiabilidad de la detección y el costo computacional.