A Rule-Based IoT Wearable Prototype for Companion Animal Vocalization Monitoring: Design, Implementation, and Documented Limitations

Resumen Técnico: Prototipo de Dispositivo Vestible IoT Basado en Reglas para el Monitoreo de la Vocalización de Animales de Compañía

Planteamiento del Problema
El artículo aborda el desafío de desarrollar un sistema vestible de bajo costo, ligero y con recursos limitados para el monitoreo en tiempo real del comportamiento de animales de compañía. Si bien la investigación existente ha utilizado con éxito acelerómetros para la clasificación de actividad y aprendizaje profundo para el análisis de la vocalización animal, existe una brecha significativa en sistemas integrados y multimodales diseñados específicamente para mascotas domésticas que operen enteramente en hardware embebido sin descarga a la nube.

Un problema crítico identificado es la dificultad de realizar una inferencia emocional semántica (por ejemplo, distinguir el hambre de la angustia) a partir de las vocalizaciones de las mascotas en dispositivos de clase microcontrolador. El objetivo de diseño original pretendía crear un "traductor de lenguaje para mascotas" que mapeara las vocalizaciones a estados emocionales. Sin embargo, los autores señalan que este objetivo enfrenta barreras fundamentales: la falta de conjuntos de datos estandarizados y anotados para las emociones de las mascotas, la alta variabilidad intraespecie en los patrones vocales, la interferencia del ruido ambiental y las limitaciones computacionales de los microcontroladores de baja potencia, lo que impide el uso de modelos complejos de aprendizaje profundo necesarios para una decodificación semántica de audio confiable.

Metodología
La solución propuesta es un marco de IoT modular de cuatro capas centrado en un microcontrolador ESP32-WROOM-32. El sistema integra dos modalidades de detección primarias:

1. Detección Acústica: Un micrófono digital MEMS INMP441 captura audio a 16 kHz. El sistema calcula la amplitud absoluta promedio ($A_{avg}$) sobre un búfer de 256 muestras.
2. Detección de Movimiento: Una IMU de 6 ejes MPU6050 (acelerómetro y giroscopio) muestrea a 100 Hz. El sistema calcula magnitudes escalares para los datos de aceleración y giroscopio, junto con características estadísticas como la desviación estándar ($\sigma_a$) y el rango pico a pico ($P_{pp}$) sobre una ventana deslizante de 50 muestras.

Lógica de Clasificación y Fusión
Debido a la imposibilidad de ejecutar modelos de aprendizaje profundo en el hardware objetivo, los autores implementaron un marco de clasificación basado en reglas:

• Reglas Acústicas: Umbrales jerárquicos ($T_1=1200, T_2=2500, T_3=4000$) mapean la amplitud promedio a estados heurísticos (Silencio, Actividad Baja, Moderada, Alta). Los autores reconocen explícitamente que estos son indicadores de intensidad, no etiquetas emocionales semánticas.
• Reglas de Movimiento: Árboles de decisión basados en $\sigma_a$, $g_{std}$, $P_{pp}$ y la aceleración mínima ($a_{min}$) clasifican las actividades en Reposo, Deambulación, Carrera y Salto.
• Fusión Multimodal: Una tabla de búsqueda determinista combina las salidas acústicas y de movimiento para generar un estado conductual compuesto. Por ejemplo, "Actividad Alta" (acústica) combinada con "Carrera" (movimiento) se interpreta como "Excitación", mientras que "Actividad Alta" con "Reposo" se interpreta como "Angustia" o "Búsqueda de Atención".

El sistema transmite datos vía Bluetooth Classic (SPP) a una aplicación móvil complementaria (desarrollada con MIT App Inventor) con una latencia de extremo a extremo promedio de 1 a 2 segundos.

Contribuciones Clave

1. Desarrollo de Prototipo: Creación de un dispositivo vestible autónomo y de bajo costo que integra detección acústica e inercial en una plataforma ESP32, capaz de procesamiento local y transmisión inalámbrica.
2. Marco Multimodal Basado en Reglas: Implementación de un sistema de clasificación ligero que fusiona la intensidad acústica y las estadísticas de movimiento para mejorar la robustez contextual sobre los enfoques de un solo sensor.
3. Evolución Crítica del Diseño: Una documentación transparente del giro de diseño desde un objetivo de "reconocimiento de emoción semántica" inalcanzable hacia un paradigma práctico de "estimación de estado conductual". Esto incluye un análisis de fallos sobre por qué las características de amplitud de audio no pueden decodificar de manera confiable la valencia emocional en hardware embebido.
4. Validación Experimental: Una evaluación sistemática de tres fases (solo acústica, solo movimiento y combinada) que demuestra el rendimiento del sistema bajo condiciones controladas.

Resultos Experimentales
El prototipo fue evaluado en un entorno interior controlado utilizando un gato doméstico como sujeto principal para la calibración.

• Subsistema de Movimiento: Demostró una alta consistencia (90% general), clasificando correctamente Reposo, Deambulación, Carrera y Salto. No mostró falsos disparos durante las pruebas de línea base de reposo.
• Subsistema Acústico: Logró una consistencia del 82.5%. Aunque los estados de "Silencio" y "Actividad Alta" fueron detectados con alta precisión (95–100%), las clases de actividad "Baja" y "Moderada" sufrieron problemas de umbrales limítrofes. Crucialmente, el subsistema acústico exhibió una tasa de falsos disparos del 15% durante las pruebas de línea base debido al ruido ambiental, confirmando la limitación del análisis basado únicamente en la amplitud.
• Fusión Multimodal: El sistema combinado logró una precisión de estado compuesto del 92.5%. La lógica de fusión logró reducir la ambigüedad mediante el cotejo de eventos acústicos con el contexto de movimiento.
• Latencia: El sistema mantuvo una latencia de respuesta de aproximadamente 1–2 segundos, adecuada para el monitoreo en tiempo real.

Significancia y Reivindicaciones
El artículo reclama significancia principalmente como una prueba de concepto en el Nivel de Madurez Tecnológica (TRL) 4, demostrando que el monitoreo conductual multimodal y en tiempo real es factible en hardware con recursos limitados.

Los autores enmarcan modestamente la utilidad del sistema no como un "traductor de lenguaje para mascotas" definitivo, sino como una herramienta de asistencia para el monitoreo de personas mayores y usuarios con movilidad limitada. Al desplazar el enfoque de la decodificación de la emoción semántica hacia la estimación del estado conductual (por ejemplo, detectar angustia, excitación o inactividad), el sistema busca reducir la carga de la observación humana constante y permitir respuestas de cuidado oportunas.

El estudio enfatiza que, si bien el enfoque actual basado en reglas es funcional, está limitado por la calibración manual de umbrales y la sensibilidad al ruido. Los autores postulan que las iteraciones futuras deberían incorporar aprendizaje automático (por ejemplo, TensorFlow Lite Micro) y conjuntos de datos más grandes y anotados para mejorar la robustez de la clasificación acústica y la generalización entre diferentes razas de animales y entornos. El artículo concluye que la transición de un objetivo semántico ambicioso a un sistema práctico de estimación conductual proporciona una guía empírica valiosa para la comunidad de sistemas embebidos con respecto a los límites de la viabilidad en la inferencia emocional acústica.