Floor Plan-Agnostic Detection of Gait Speed Drifts Using Ambient Sensors

Resumen Técnico: Detección de Derivas en la Velocidad de la Marcha Independiente de la Planta Baja Utilizando Sensores Ambientales

Enunciado del Problema

La velocidad de la marcha es un indicador crítico de salud para los adultos mayores, donde una disminución de 0.10 m/s se considera una diferencia clínicamente importante mínima que refleja un deterioro funcional. Si bien la monitorización continua en el hogar ofrece el potencial para un diagnóstico temprano, los métodos existentes basados en sensores ambientales para la estimación de la velocidad de la marcha generalmente requieren un conocimiento detallado de la planta baja del hogar o configuraciones específicas de sensores lineales. La adquisición de plantas bajas es a menudo económicamente inviable, y las configuraciones especializadas de sensores obstaculizan la escalabilidad y la rentabilidad. En consecuencia, existe una falta de métodos capaces de detectar derivas en la velocidad de la marcha utilizando sensores ambientales escasos y comercialmente disponibles (por ejemplo, sensores infrarrojos pasivos (PIR) y sensores de puerta) sin contexto espacial previo.

Metodología

El enfoque propuesto detecta derivas en la velocidad de la marcha analizando la duración de las transiciones entre activaciones de sensores, operando completamente sin conocimiento de la distribución del hogar, las ubicaciones de los sensores o las rutas de caminata.

1. Representación de Datos: El sistema ingiere un flujo crudo de eventos de sensores (señales ENCENDIDO/APAGADO) de sensores PIR y de puerta. Construye secuencias de transiciones entre sensores distintos ($s_i \to s_j$), registrando la diferencia de tiempo ($\delta$) entre activaciones y el día de ocurrencia ($\gamma$).
2. Filtrado: Para aislar la ambulación válida del ruido de sensores estacionarios o superpuestos, se aplican dos filtros:
   • Duración Mínima ($T_{min}$): Excluye transiciones con duración cercana a cero (por ejemplo, $<1$ segundo), que probablemente resultan de campos de sensores superpuestos en lugar de caminar.
   • Duración Máxima ($T_{max}$): Excluye secuencias excesivamente largas (por ejemplo, $>60$ segundos) que probablemente representan múltiples actividades entrelazadas en lugar de un camino continuo.
3. Extracción de Características: Para cada par único de sensores, el sistema agrupa las duraciones de transición para un día específico. Calcula un percentil específico ($p_k$) de estas duraciones (por ejemplo, el percentil 0, o duración mínima) para servir como una métrica diaria robusta de movilidad. Un umbral mínimo de soporte ($S_{min}$) asegura que existan suficientes puntos de datos para la validez estadística.
4. Detección de Deriva: El método compara un "período de consulta" reciente (por ejemplo, los últimos 7 días) contra un "período de referencia" estable (por ejemplo, los primeros 7 días). Para cada par de sensores, una prueba no paramétrica de Mann-Whitney U determina si la distribución de las duraciones de transición en el período de consulta difiere significativamente de la referencia.
5. Agregación: Los resultados de las pruebas a nivel de secuencia individual se agregan en una única decisión diaria de deriva. El artículo evalúa tanto la agregación simple como un conjunto ponderado por frecuencia, donde las decisiones se ponderan por el número de veces que se observó una transición específica de sensor.

Contribuciones Clave

El artículo presenta tres contribuciones principales:

1. Formulación del Problema: Una definición formal para detectar derivas en la velocidad de la marcha utilizando datos de sensores ambientales escasos sin requerir contexto espacial.
2. Conjunto de Datos Simulado: Un conjunto de datos sintético generado utilizando un simulador de comportamiento basado en agentes, que presenta cuatro distribuciones distintas de apartamentos tipo estudio y una amplia gama de velocidades de marcha (0.4 m/s a 1.2 m/s) con derivas repentinas simuladas.
3. Método Novel: Un algoritmo de detección independiente de la planta baja que identifica transiciones informativas de sensor a sensor y analiza sus fluctuaciones de duración para detectar derivas, eliminando la necesidad de relaciones espaciales adicionales o hardware.

Resultados Experimentales

El método fue evaluado en un conjunto de datos simulado a través de cuatro distribuciones de hogar diferentes y comparado con una línea base de última generación (Nait Aicha et al.) que depende de la información de la planta baja para identificar las rutas de caminata óptimas.

• Métricas de Rendimiento: El método propuesto logró un puntaje F1 promedio de 0.75 (desviación estándar 0.25) y una precisión de 0.78, superando a la línea base (Puntaje F1 0.72, Precisión 0.69) en las Distribuciones A y B. Sin embargo, tuvo un rendimiento ligeramente inferior en las Distribuciones C y D, donde el conocimiento de la línea base sobre las rutas óptimas permitió una detección más temprana (menor retraso de detección).
• Sensibilidad a Parámetros:
  • Percentil: El percentil 0 (duración mínima) obtuvo el rendimiento más alto en el entorno simulado limpio.
  • Filtros: Un filtro de duración mínima ($T_{min} = 1$ segundo) fue crítico para eliminar secuencias no informativas causadas por campos de sensores superpuestos. El filtro de duración máxima tuvo un impacto negligible en la simulación.
  • Soporte: Un umbral mínimo de soporte de $S_{min} = 0$ (sin umbral) proporcionó los mejores resultados; umbrales más altos excluyeron demasiados datos.
  • Ponderación: Un conjunto simple, sin ponderar, funcionó ligeramente mejor que uno ponderado por frecuencia.
• Magnitud de la Deriva: La sensibilidad de detección disminuyó a medida que disminuía la magnitud de la brecha de velocidad. Si bien la línea base mostró una ventaja en brechas muy pequeñas (0.1–0.2 m/s), el método propuesto permaneció competitivo, demostrando utilidad incluso para cambios sutiles.

Significado y Limitaciones

El artículo afirma que este trabajo demuestra un enfoque viable, escalable y rentable para la monitorización de la deriva de la marcha que puede adaptarse a sistemas existentes de hogares inteligentes comerciales sin requerir nuevo hardware o plantas bajas. Al lograr un rendimiento comparable a los métodos dependientes de la planta baja, ofrece una vía para la implementación generalizada en entornos del mundo real donde no se dispone de datos espaciales.

Los autores señalan explícitamente las siguientes limitaciones:

• Datos Sintéticos: La evaluación se realizó únicamente sobre datos simulados, que carecen del ruido, la complejidad de múltiples residentes y la variabilidad de trayectorias de los entornos del mundo real.
• Especificidad del Sensor: El estudio se centró en sensores PIR con un radio de 1.0 m; el impacto de rangos o tipos de sensores variados no se exploró completamente.
• Tipos de Deriva: El método actual está diseñado para detectar derivas repentinas contra una línea base inicial fija. Aún no está optimizado para detectar disminuciones graduales, recurrentes o incrementales, ni aborda el desafío de la asociación de datos en hogares con múltiples residentes.
• Período de Referencia: El período de referencia fijo (semana inicial) puede no ser robusto si contiene inadvertidamente derivas; se sugieren ventanas dinámicas o deslizantes para trabajos futuros.