SmartADAPT-Net: Decision-Level Adaptation for Free-Living Smartwatch-Based Activities of Daily Living Recognition

La vida cotidiana es una secuencia de movimientos pequeños, a menudo repetitivos: cepillarse los dientes, lavar los platos, caminar hacia la cocina o trapear un piso. Para los médicos y cuidadores, el seguimiento de estas "actividades de la vida diaria" es vital. La capacidad de una persona para realizar estas tareas de forma independiente es un indicador primario de su salud y seguridad. Tradicionalmente, medir esto depende de pedir a las personas que recuerden lo que hicieron o de que un enfermero las observe en momentos específicos. Estos métodos son imperfectos; la memoria humana es falible y una observación instantánea pierde el ritmo de un día completo. Para obtener una imagen real de cómo funciona alguien, necesitamos una forma de observarlos continuamente sin ser intrusivos. Aquí es donde entra el reloj inteligente. Llevado en la muñeca, porta sensores que pueden sentir los cambios sutiles del movimiento, ofreciendo una ventana potencial hacia la rutina diaria de una persona. Pero hay un inconveniente: un programa informático entrenado para reconocer estos movimientos en un laboratorio silencioso y controlado a menudo falla cuando la misma persona usa el reloj en la realidad desordenada e impredecible de su propio hogar.

Investigadores de la Universidad Queen Margaret y la Universidad Napier de Edimburgo se propusieron resolver este problema específico. Se preguntaron si un sistema de reloj inteligente podría aprender a reconocer las actividades diarias de una persona mientras se utiliza, sin necesidad de ser completamente reentrenado desde cero. Desarrollaron un sistema llamado SmartADL-Net, diseñado para trabajar en dos fases distintas. Primero, utiliza un modelo de "población" general —un conjunto de reglas aprendidas de muchas personas diferentes en un laboratorio— para hacer una suposición inicial sobre qué actividad está ocurriendo. Segundo, aprende lentamente de la persona específica que lo lleva puesto, pero solo cuando esa persona confirma o corrige la suposición del reloj. El objetivo era ver si este enfoque de dos pasos podía cerrar la brecha entre un robot entrenado en un laboratorio y un asistente personalizado y útil en el mundo real.

Los investigadores comenzaron construyendo la base de su sistema en un entorno doméstico simulado. Treinta voluntarios realizaron seis tareas comunes: cepillarse los dientes, trapear o aspirar, colocar artículos en estantes, caminar, lavar los platos y lavarse la cara. Llevaban puestos Apple Watches que registraban el movimiento de sus muñecas. El equipo utilizó estos datos para enseñar a un modelo informático a reconocer los patrones de estos movimientos. Este modelo inicial estaba "congelado", lo que significa que su cerebro central estaba bloqueado y no cambiaría después. Sin embargo, los investigadores añadieron una capa de ajuste ingeniosa llamada "modulación consciente de la complejidad". Esta característica observa qué tan caótico o irregular es un movimiento. Por ejemplo, caminar suele ser rítmico, mientras que lavar los platos puede ser más errático. Al medir esta complejidad, el sistema podía realizar un ajuste rápido e inteligente a su suposición inicial, mejorando su precisión incluso antes de saber quién era el usuario.

La verdadera prueba llegó cuando desplegaron este sistema en un nuevo grupo de diecisiete personas en sus hogares reales durante veinte días. Estos participantes llevaban el reloj y comenzaban una grabación cada vez que realizaban una de las seis actividades objetivo. El sistema no conocía a estas personas de antemano. Cuando el reloj hacía una predicción, se le pedía al usuario que confirmara si era correcta o que seleccionara la actividad correcta de una lista. Esta retroalimentación fue la clave. El sistema no reentrenó su cerebro principal, lo cual habría sido demasiado pesado para la batería y el procesador del reloj. En su lugar, almacenó "prototipos" simples: resúmenes compactos de cómo eran los movimientos de esa persona específica para cada actividad. A medida que el usuario confirmaba más acciones, el sistema ajustaba lentamente su decisión final, combinando el conocimiento de la población general con los hábitos del usuario específico.

Los resultados mostraron una progresión clara y poderosa. Cuando el sistema dependía solo de su cerebro inicial y congelado, acertaba la actividad aproximadamente el 62 por ciento de las veces. Esta caída respecto al rendimiento en el laboratorio era esperada, ya que la vida real es más desordenada que un experimento controlado. Sin embargo, en el momento en que el sistema aplicó su ajuste consciente de la complejidad, la precisión saltó al 78 por ciento. Esta mejora ocurrió de inmediato, sin ningún dato personal del usuario. A medida que los usuarios continuaban confirmando sus actividades durante los veinte días, la personalización del sistema entró en juego y la precisión final aumentó al 89 por ciento. Esto significa que, al combinar una corrección inteligente e inmediata con un proceso de aprendizaje lento y constante, el sistema se recuperó de sus errores iniciales y se volvió altamente confiable.

No todas las actividades eran igualmente fáciles de dominar. Caminar y trapear fueron reconocidos con alta precisión desde el principio. Lavarse la cara, sin embargo, siguió siendo la tarea más difícil. Incluso después de veinte días de personalización, el sistema todavía tenía dificultades con esta tarea, acertando solo alrededor del 79 por ciento de las veces. Los investigadores encontraron que, aunque el sistema podía corregir muchos de sus errores tempranos, persistía cierta confusión entre lavarse la cara y otros movimientos. Esto sugiere que el sensor de la muñeca, aunque es excelente para rastrear el movimiento del brazo, a veces carece del detalle fino necesario para distinguir entre acciones manuales muy similares. A pesar de esto, el sistema demostró que podía aprender de un usuario sin necesidad de una gran cantidad de datos o un proceso de reentrenamiento complejo.

El estudio también confirmó que este enfoque es práctico para el uso diario. Todo el sistema, incluyendo la memoria necesaria para recordar los hábitos específicos de un usuario, ocupaba muy poco espacio en el reloj: aproximadamente el tamaño de un archivo de foto pequeño. Funcionaba rápidamente, tomando decisiones en menos de una décima de segundo, y el drenaje adicional de la batería era mínimo, consumiendo alrededor del 3.5 por ciento de la batería por hora de uso activo. Esta eficiencia es crucial; un sistema que agota el reloj en pocas horas es inútil para el monitoreo de la salud a largo plazo.

Los investigadores fueron cuidadosos al señalar los límites de sus hallazgos. Las respuestas "correctas" utilizadas para probar el sistema provinieron de los propios usuarios, quienes veían la suposición del reloj antes de confirmar. Esto significa que el sistema pudo haber sido influenciado por la propia confianza o el sesgo del usuario, en lugar de un observador independiente. Además, el estudio se centró en seis actividades específicas que el usuario iniciaba manualmente, en lugar de un sistema que observa a una persona todo el día y determina automáticamente qué está haciendo. El sistema tampoco intentó aprender nuevos tipos de actividades más allá de las seis para las que fue enseñado.

No obstante, el descubrimiento central es significativo. Demuestra que un dispositivo vestible puede comenzar con una comprensión general del movimiento humano y luego adaptarse al estilo único de un individuo a través de una simple retroalimentación de "humano en el bucle". No necesita ser un lienzo en blanco esperando semanas de datos, ni necesita ser un programa rígido e inalterable. Al separar los ajustes inmediatos y inteligentes del aprendizaje personal y lento, el sistema ofrece un camino hacia relojes inteligentes que no son solo sensores, sino compañeros verdaderamente adaptativos para monitorear la salud en el mundo real. El estudio sugiere que el futuro del monitoreo de la salud mediante dispositivos vestibles no reside en hacer que la computadora sea más inteligente de forma aislada, sino en crear una asociación donde el dispositivo aprenda de la persona que lo lleva puesto, una actividad confirmada a la vez.