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

1. Enunciato del Problema

I dispositivi indossabili che utilizzano unità di misura inerziale (IMU) per il riconoscimento dell'attività umana (HAR) affrontano un collo di bottiglia energetico critico. Le soluzioni attuali all'avanguardia eseguono tipicamente reti HAR in modo continuo su ogni finestra di dati, indipendentemente dal fatto che l'attività dell'utente sia cambiata.

• Inefficienza: L'attività umana è spesso ripetitiva e statica per lunghi periodi. La classificazione continua durante queste fasi stabili spreca una significativa durata della batteria e risorse computazionali.
• Limitazioni delle Soluzioni Esistenti:
  • Ottimizzazione del Modello: Tecniche come la quantizzazione e la potatura riducono le dimensioni del modello ma richiedono comunque un'inferenza continua.
  • Gerarchico/Uscita Anticipata: Metodi come Dendron o strategie di uscita anticipata riducono il costo per finestra ma non eliminano le attivazioni non necessarie quando non si verifica alcun cambiamento.
  • Approcci di Gate: I metodi di gate esistenti richiedono spesso un addestramento offline su dataset specifici o si basano su parametri statistici rigidi (es. CUSUM) che mancano di generalizzazione tra diversi dispositivi e tipi di attività.

2. Metodologia

Gli autori propongono un gate di rilevamento delle variazioni leggero e non parametrico che esegue in modo continuo sul sensore. Questo gate agisce come un filtro, invocando la rete HAR completa e computazionalmente costosa solo quando viene rilevato un cambiamento nell'attività.

Fasi dell'Algoritmo Principale

L'algoritmo opera in tempo reale con una finestra scorrevole di 3 secondi (50% di sovrapposizione) e consta di quattro fasi:

1. Estrazione delle Caratteristiche (per campione):

   • Invece di memorizzare i dati grezzi, le caratteristiche sono calcolate campione per campione per minimizzare memoria e latenza.
   • 12 Caratteristiche: Estratte da accelerazione e velocità angolare, incluse norme euclidee, derivate del primo ordine, componenti di gravità (angoli di Eulero), tassi di attraversamento della media e ampiezze picco-picco.

2. Creazione del Modello di Riferimento:

   • L'algoritmo identifica le due caratteristiche più informative per l'attività corrente analizzando la Varianza (ampiezza sostenuta) e la Media delle Differenze Quadratiche Successive (MSSD) (variabilità/periodicità a breve termine).
   • Queste due caratteristiche vengono normalizzate e accumulate in un istogramma 2D 10×10 (un "modello") che rappresenta la densità congiunta della coppia di caratteristiche. Questo funge da Modello di Riferimento ($T_r$).

3. Creazione del Modello Corrente:

   • Per ogni nuova finestra, viene generato un Modello Corrente ($T_n$) utilizzando le stesse due caratteristiche selezionate e gli stessi limiti di normalizzazione (min/max) stabiliti durante la fase di riferimento.

4. Confronto e Decisione:

   • La similarità tra $T_n$ e $T_r$ è calcolata utilizzando il Coefficiente di Correlazione Normalizzato (NCC).
   • Logica di Decisione:
     • Se $NCC \geq Soglia$: L'attività è stabile. Non viene intrapresa alcuna azione; la rete HAR rimane spenta.
     • Se $NCC < Soglia$: Viene rilevato un cambiamento. Il gate attiva la rete HAR completa, aggiorna il Modello di Riferimento e resetta il ciclo di monitoraggio.

Calibrazione

• Nessun Addestramento Offline: L'algoritmo non richiede addestramento su grandi dataset.
• Sintonizzazione Specifica per Dispositivo: Una breve fase di calibrazione (2–3 minuti di dati con 8–10 transizioni) viene utilizzata per determinare la soglia NCC ottimale ($Th_{NCC}$). Questa soglia è sintonizzata per massimizzare il Tasso di Vero Positivo (TPR) per garantire che nessuna transizione genuina venga persa.

3. Contributi Chiave

• Agnostico e Non Parametrico: Il metodo non richiede una definizione preliminare delle classi di attività e non fa assunzioni sulla distribuzione statistica dei segnali del sensore.
• Impronta di Risorse Ultra-Bassa:
  • Memoria: Richiede solo 4,53 kB (memorizzando valori delle caratteristiche e istogrammi).
  • Calcolo: Costo di circa 16 kFLOP per passaggio.
  • Confronto: Questo è >50 volte più economico rispetto alle tipiche reti HAR (es. Dendron a ~853 kFLOP).
• Alta Sensibilità: Progettato per privilegiare il rilevamento di tutti i cambiamenti (alto TPR) rispetto all'evitare falsi allarmi, garantendo che la rete HAR non sia mai "addormentata" durante una transizione.
• Fattibilità Hardware: I bassi requisiti di memoria e calcolo permettono l'implementazione direttamente su Unità di Microcontrollore (MCU) e unità di sensori intelligenti senza la necessità di un processore host.

4. Risultati Sperimentali

L'algoritmo è stato valutato su due dataset pubblici attraverso tre tipi di dispositivi: Occhiali Intelligenti (UCA-EHAR), Orologio Intelligente (WISDM) e Smartphone (WISDM).

• Confronto con i Baseline:
  • CUSUM: Ha raggiunto un alto TPR (91–94%) ma una scarsa generalizzazione tra diversi tipi di dispositivi e dinamiche di transizione.
  • ML Supervisionato (DT, SVM): Ha mostrato prestazioni inconsistenti tra i dispositivi. Quando addestrato su dati sbilanciati (scenario realistico), il TPR è sceso significativamente (es. 61% per SVM su smartphone). Richiedevano inoltre un esteso addestramento offline.
• Risparmio Energetico:
  • In scenari di monitoraggio realistici (UCA-EHAR), il gate ha ridotto il numero di finestre che richiedono un'inferenza HAR completa del 70% (attivandosi solo ~30% delle volte).
  • Ciò si traduce in una riduzione stimata del 67% del carico computazionale totale (FLOP), estendendo significativamente la durata della batteria.

5. Significato e Conclusione

Questo paper presenta un cambiamento di paradigma per l'HAR al bordo, passando dalla "classificazione sempre attiva" all'"attivazione guidata dalle variazioni".

• Impatto Pratico: Disaccoppiando il rilevamento continuo dal compito di classificazione pesante, il metodo abilita dispositivi indossabili a bassissimo consumo energetico in grado di operare per giorni o settimane con piccole batterie.
• Generalizzazione: La capacità dell'algoritmo di adattarsi a diversi sensori (occhiali, orologi, telefoni) con una breve calibrazione lo rende altamente scalabile per il dispiegamento commerciale.
• Lavori Futuri: Gli autori pianificano di validare il sistema su dispositivi fisici in condizioni di monitoraggio reale e in tempo reale per verificare ulteriormente i risparmi energetici e la robustezza.

In sintesi, il gate "Agnostico sul Sensore" proposto offre una soluzione robusta, leggera e altamente sensibile al collo di bottiglia energetico nell'HAR indossabile, raggiungendo un compromesso favorevole tra affidabilità di rilevamento e costo computazionale.