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

Il paper presenta X-BCD, un framework non supervisionato e spiegabile che rileva e caratterizza i cambiamenti nelle routine comportamentali dei pazienti con lieve deterioramento cognitivo utilizzando dati di sensori domestici multimodali, trasformando le anomalie individuate in descrizioni in linguaggio naturale per supportare la valutazione clinica.

L'essenziale

🏠 Il "Detective Digitale" della Casa Intelligente

Immagina di vivere in una casa intelligente piena di sensori invisibili: come piccoli occhi che vedono quando accendi la luce, quando apri il frigo, quando cammini per la stanza o quando dormi. Questi sensori raccolgono milioni di dati ogni giorno.

Il problema? Per un medico, guardare milioni di numeri è come cercare di capire una storia leggendo solo le lettere dell'alfabeto, senza vedere le parole o le frasi. È difficile capire se una persona sta cambiando abitudini in modo preoccupante (come accade all'inizio di un declino cognitivo) o se è solo una settimana "strana".

X-BCD è il nuovo "detective" che traduce questi numeri in una storia comprensibile.

---

🧩 Come funziona? (L'analogia del "Libro delle Abitudini")

Pensa alle tue abitudini quotidiane come a un libro che scrivi ogni giorno. X-BCD legge questo libro e fa tre cose magiche:

1. Trova i "Capitoli" (Rilevamento dei Cambiamenti)

Immagina che la tua vita sia divisa in capitoli. Per anni hai letto lo stesso tipo di storia: "Mi sveglio alle 7, faccio colazione, esco".
X-BCD è come un editore attento che legge il tuo diario e dice: "Ehi, aspetta! Da tre mesi il capitolo 'Colazione' è cambiato. Non è più lo stesso libro di prima."
Non si limita a dire "c'è stato un cambiamento", ma individua esattamente quando la storia è cambiata.

2. Capisce "Come" è cambiato il libro (Tracciamento delle Routine)

Una volta trovato il punto di svolta, il detective analizza cosa è successo alle tue abitudini (le "routine"). Usa un'analogia con i gruppi di amici:

• Stabile: Il tuo gruppo di amici è lo stesso di prima. Tutto tranquillo.
• Deriva (Drift): Il tuo gruppo di amici è lo stesso, ma ora si comportano in modo leggermente diverso (es. escono più tardi).
• Fusione (Merge): Due gruppi di amici separati (es. "amici del weekend" e "amici dei giorni feriali") si sono uniti in un unico gruppo confuso.
• Split (Divisione): Un unico gruppo di amici si è diviso in due gruppi separati e diversi.
• Nuovo/Disperso: È arrivato un nuovo amico o uno vecchio è sparito.

X-BCD non si limita a contare i numeri, ma capisce se le tue abitudini si sono semplificate (diventate più semplici, forse perché è faticoso farle), frammentate (rotte in pezzi) o riorganizzate.

3. Racconta la storia in parole umane (Spiegazione con l'Intelligenza Artificiale)

Qui entra in gioco la parte più bella. Invece di mostrare al medico un grafico complicato, X-BCD usa un'intelligenza artificiale (un "traduttore") per scrivere un riassunto in linguaggio naturale.

Esempio di cosa scrive X-BCD:
"Il paziente aveva l'abitudine di cucinare ogni sera. Dopo il 15 marzo, questa routine è scomparsa. Ora, invece di cucinare ogni sera, il paziente ha sviluppato tre nuove routine diverse: cucina solo il sabato, mangia fuori il martedì e non cucina affatto la domenica. Questo suggerisce che la capacità di pianificare i pasti si è frammentata."

Il medico legge questa frase e capisce immediatamente il problema, senza dover fare calcoli.

---

🧪 La Prova: Pazienti Reali

Gli autori hanno testato questo sistema su 17 persone con lieve decadimento cognitivo (MCI) nelle loro case reali per mesi. Hanno diviso i pazienti in due gruppi:

1. Gruppo "Neurodegenerativo": Pazienti il cui declino è causato da malattie come l'Alzheimer.
2. Gruppo "Non Neurodegenerativo": Pazienti con problemi cognitivi ma senza quella specifica malattia.

Cosa hanno scoperto?

• Il gruppo con l'Alzheimer tendeva a perdere la flessibilità: le loro routine diventavano rigide o si spezzavano in modo strano (es. il sonno si frammentava in modo diverso rispetto agli altri).
• Il gruppo "Non Neurodegenerativo" mostrava cambiamenti, ma spesso legati a stati d'ansia o depressione (es. dormivano male, ma le abitudini di base rimanevano più stabili).

X-BCD è riuscito a vedere queste differenze sottili e a spiegarle al medico come: "Le abitudini di sonno di questo paziente si stanno riorganizzando in modo tipico della neurodegenerazione, mentre quelle di quest'altro sembrano legate a stress emotivo."

---

🌟 Perché è importante?

Fino ad oggi, i medici dovevano aspettare che il paziente andasse in ambulatorio per vedere se stava peggiorando. Ma spesso, quando si arriva in ambulatorio, il danno è già fatto.

X-BCD è come un sistema di allarme precoce che ti dice: "Attenzione, la storia di questa persona sta cambiando capitolo. Forse è il momento di fare un controllo."

Inoltre, è trasparente: non è una "scatola nera" che dà un voto misterioso. Ti dice esattamente cosa è cambiato e perché il sistema lo ha notato, basandosi su dati reali e non su supposizioni.

In sintesi

X-BCD prende i dati freddi dei sensori della casa intelligente e li trasforma in una storia calda e comprensibile sulle abitudini delle persone, aiutando i medici a capire se il cervello di un anziano sta iniziando a perdere la sua "bussola" quotidiana, molto prima che sia troppo tardi.

Sommario tecnico

1. Il Problema

L'invecchiamento della popolazione e l'aumento dei casi di Deterioramento Cognitivo Lieve (MCI) pongono sfide significative per il sistema sanitario. Un indicatore precoce del passaggio dall'MCI alla demenza è il declino funzionale nelle Attività della Vita Quotidiana (ADL). Tuttavia, l'identificazione di questi cambiamenti è difficile da valutare durante le visite cliniche sporadiche.

Sebbene l'informatica ubiqua abbia fatto progressi nel riconoscere singole attività (es. "cucinare", "camminare"), esiste una lacuna nella capacità di analizzare l'evoluzione dei pattern comportamentali a lungo termine. I metodi attuali spesso si limitano a calcolare un "punteggio di deriva" (drift score) aggregato, che quantifica la magnitudine del cambiamento ma non ne spiega la struttura (es. semplificazione, frammentazione, fusione di routine). Per il supporto clinico, è fondamentale non solo sapere quando cambia il comportamento, ma come le routine si riorganizzano, rendendo interpretabili i dati per i medici.

2. Metodologia: Il Framework X-BCD

X-BCD è un framework non supervisionato e spiegabile per progettazione (explainable-by-design) che rileva e caratterizza i cambiamenti comportamentali dai dati sensoriali multimodali delle smart home. Il processo segue una pipeline modulare sequenziale:

A. Codifica delle Caratteristiche (Feature Encoding)

I dati grezzi dei sensori (movimento, temperatura, smart plug, wearable) vengono aggregati con una granularità temporale definita (es. giornaliera).

• Vengono estratte caratteristiche semantiche interpretabili (es. durata del sonno, numero di passi, tempi di utilizzo della cucina).
• Le variabili temporali cicliche (es. orario di inizio sonno) sono codificate tramite trasformazioni seno/coseno per preservare la topologia circolare.
• Vengono inclusi contesti temporali (giorni feriali vs weekend) per catturare le regolarità sociali.

B. Rilevamento dei Punti di Cambiamento (Change Point Detection - CPD)

Utilizzando l'algoritmo PELT (Pruned Exact Linear Time), il sistema segmenta la serie temporale in intervalli di comportamento statisticamente stabile.

• L'obiettivo è identificare i punti di rottura ($\tau$) dove la distribuzione delle caratteristiche cambia in modo significativo.
• Viene utilizzato un costo basato sulla somma degli errori quadratici ($l_2$) e un parametro di penalità ($\beta$) per evitare la sovrasegmentazione.

C. Tracciamento dell'Evoluzione dei Cluster (Cluster Evolution Tracking)

All'interno di ogni segmento (periodo di riferimento e periodo di osservazione), vengono applicati algoritmi di clustering densità-based (es. DBSCAN o HDBSCAN) per identificare le "routine" tipiche.
Il sistema confronta i cluster tra i periodi adiacenti per classificare l'evoluzione comportamentale in:

1. Continuità Evolutiva: Routine stabili o in deriva (drifting).
2. Cambiamenti Topologici:
   • Nuovi: Emergono nuove routine.
   • Scomparsi: Routine precedenti svaniscono.
   • Split: Una routine si frammenta in più cluster.
   • Merge: Più routine si fondono in una sola.
     Viene calcolato un punteggio di deriva basato su spostamento del centroide, cambiamento di proporzione e varianza.

D. Interpretazione basata su LLM (LLM-based Explanation)

Per rendere i risultati comprensibili ai clinici, X-BCD utilizza un Large Language Model (LLM) (specificamente MedGemma, fine-tuned su dati medici).

• I centroidi dei cluster e i metadati evolutivi vengono trasformati in descrizioni testuali di alto livello.
• L'LLM genera un rapporto strutturato in tre parti:
  1. Trend Comportamentale Globale: Sintesi generale.
  2. Dinamiche dell'Abitudine: Dettaglio su come specifiche routine sono cambiate (es. "La routine feriale è scomparsa, ne sono emerse tre nuove con meno passi").
  3. Implicazioni Potenziali: Ipotesi cliniche caute (es. semplificazione, frammentazione, compensazione) senza fare diagnosi definitive.

3. Contributi Chiave

1. Approccio X-BCD: Un nuovo metodo che integra rilevamento dei punti di cambiamento e tracciamento dell'evoluzione dei cluster per caratterizzare i cambiamenti comportamentali a granularità fine.
2. Spiegabilità Naturale: Generazione di descrizioni in linguaggio naturale per i clinici, evitando il "black box" tipico dei modelli di deep learning, basandosi su feature semantiche.
3. Validazione su Dati Reali: Applicazione del framework su dati longitudinali reali raccolti in case di 17 pazienti con MCI, suddivisi in due coorti (neurodegenerativa e non neurodegenerativa), dimostrando la capacità di distinguere pattern comportamentali diversi tra i gruppi.

4. Risultati Sperimentali

Lo studio è stato condotto su un dataset longitudinale (12-30 mesi) che include sonno, attività fisica e cucina.

• Differenze tra Coorti (D vs ND):
  • Sonno: Il gruppo neurodegenerativo (D) ha mostrato una maggiore riorganizzazione delle fasi del sonno (biomarcatore noto per l'Alzheimer), mentre il gruppo non neurodegenerativo (ND) ha mostrato maggiore variabilità nella continuità del sonno (probabilmente legata a sintomi affettivi come ansia).
  • Attività Fisica: Il gruppo D ha mostrato più punti di cambiamento nel numero di passi, suggerendo una perdita di flessibilità adattativa.
  • Cucina: Il gruppo D ha mostrato cambiamenti più frequenti nelle abitudini di cottura (attività strumentale complessa), coerente con la vulnerabilità delle funzioni esecutive nell'MCI neurodegenerativo.
• Analisi di Sensibilità: Il sistema si è dimostrato robusto rispetto alle variazioni dei parametri (penalità $\beta$, soglia di similarità $\tau_s$, soglia di deriva $\tau_d$), operando in regioni di stabilità.
• Valutazione Esperta: Un team di neurologi ha valutato le spiegazioni generate. Le conclusioni globali e le implicazioni sono state giudicate chiare e utili per il flusso di lavoro clinico, sebbene la sezione sulle "dinamiche dell'abitudine" sia stata considerata troppo tecnica e dettagliata per un uso clinico immediato.

5. Significato e Impatto

• Clinico: X-BCD non è uno strumento diagnostico, ma un sistema di supporto decisionale. Fornisce marker digitali spiegabili che possono aiutare a stratificare il rischio e anticipare il declino cognitivo, riducendo la dipendenza da procedure invasive.
• Metodologico: Dimostra che l'analisi della riorganizzazione delle routine (struttura) è più informativa della semplice magnitudine del cambiamento. L'approccio "explainable-by-design" supera i limiti dei metodi basati su rappresentazioni latenti non interpretabili.
• Futuro: Il lavoro apre la strada a monitoraggio in tempo reale (online), integrazione di segnali contestuali (es. viaggi, meteo) per filtrare falsi positivi, e l'uso di apprendimento federato per gestire la scarsità di dati per singolo paziente.

In sintesi, X-BCD rappresenta un passo avanti significativo verso sistemi di monitoraggio della salute domestica che non si limitano a rilevare anomalie, ma spiegano come e perché il comportamento di un paziente sta cambiando, fornendo informazioni clinicamente rilevanti per la gestione dell'MCI.