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

La vita quotidiana è una sequenza di piccoli movimenti, spesso ripetitivi: lavarsi i denti, lavare i piatti, camminare verso la cucina o passare lo straccio sul pavimento. Per medici e caregiver, monitorare queste "attività della vita quotidiana" è vitale. La capacità di una persona di svolgere questi compiti in modo indipendente è un indicatore primario della sua salute e sicurezza. Tradizionalmente, misurare questo aspetto si basa sul chiedere alle persone di ricordare cosa hanno fatto o sul far osservare un infermiere in momenti specifici. Questi metodi sono imperfetti; la memoria umana è fallibile e un'osservazione istantanea perde il ritmo di un'intera giornata. Per ottenere un quadro reale di come funzioni una persona, abbiamo bisogno di un modo per osservarla continuamente senza essere intrusivi. È qui che entra in gioco lo smartwatch. Indossato al polso, esso trasporta sensori in grado di percepire i sottili cambiamenti di movimento, offrendo una potenziale finestra sulla routine quotidiana di una persona. Ma c'è un problema: un programma informatico addestrato per riconoscere questi movimenti in un laboratorio tranquillo e controllato spesso fallisce quando la stessa persona indossa lo smartwatch nella realtà disordinata e imprevedibile della propria casa.

Ricercatori della Queen Margaret University e della Edinburgh Napier University si sono posti l'obiettivo di risolvere questo problema specifico. Si sono chiesti se un sistema basato su smartwatch potesse imparare a riconoscere le attività quotidiane di una persona mentre veniva utilizzato, senza la necessità di essere completamente riaddestrato da zero. Hanno sviluppato un sistema chiamato SmartADAPT-Net, progettato per operare in due fasi distinte. In primo luogo, utilizza un modello "di popolazione" generale — un insieme di regole apprese da molte persone diverse in un laboratorio — per fare un'ipotesi iniziale su quale attività stia avvenendo. In secondo luogo, impara lentamente dalla persona specifica che lo indossa, ma solo quando quella persona conferma o corregge l'ipotesi dello smartwatch. L'obiettivo era vedere se questo approccio in due fasi potesse colmare il divario tra un robot addestrato in laboratorio e un assistente utile e personalizzato nel mondo reale.

I ricercatori hanno iniziato costruendo le fondamenta del loro sistema in un ambiente domestico simulato. Trenta volontari hanno eseguito sei compiti comuni: lavarsi i denti, passare lo straccio o l'aspirapolvere, riporre oggetti su scaffali, camminare, lavare i piatti e lavarsi il viso. Indossavano Apple Watch che registravano il movimento dei loro polsi. Il team ha utilizzato questi dati per insegnare a un modello informatico a riconoscere i pattern di questi movimenti. Questo modello iniziale era "congelato", il che significa che il suo nucleo centrale era bloccato e non sarebbe cambiato in seguito. Tuttavia, i ricercatori hanno aggiunto uno strato intelligente di regolazione chiamato "modulazione consapevole della complessità". Questa funzione analizza quanto un movimento sia caotico o irregolare. Ad esempio, camminare è solitamente ritmico, mentre lavare i piatti può essere più erratico. Misurando questa complessità, il sistema poteva effettuare un rapido e intelligente aggiustamento alla sua ipotesi iniziale, migliorando la precisiono prima ancora di conoscere l'utente.

La vera prova è arrivata quando hanno distribuito questo sistema a un nuovo gruppo di diciassette persone nelle loro case reali per venti giorni. Questi partecipanti indossavano lo smartwatch e avviavano una registrazione ogni volta che eseguivano una delle sei attività target. Il sistema non conosceva queste persone in precedenza. Quando lo smartwatch faceva una previsione, all'utente veniva chiesto di confermare se fosse corretta o di selezionare l'attività giusta da un elenco. Questo feedback era la chiave. Il sistema non riaddestra il suo cervello principale, il che sarebbe stato troppo pesante per la batteria e il processore dello smartwatch. Invece, memorizzava dei semplici "prototipi" — riassunti compatti di come apparivano i movimenti di quella specifica persona per ogni attività. Man mano che l'utente confermava le azioni, il sistema regolava lentamente la sua decisione finale, fondendo la conoscenza generale della popolazione con le abitudini del singolo utente.

I risultati hanno mostrato una progressione chiara e potente. Quando il sistema si affidava solo al suo cervello iniziale congelato, indovinava l'attività circa il 62 percento delle volte. Questo calo rispetto alle prestazioni in laboratorio era previsto, poiché la vita reale è più disordinata di un esperimento controllato. Tuttavia, nel momento in cui il sistema applicava il suo aggiustamento consapevole della complessità, l'accuratezza balzava al 78 percento. Questo miglioramento è avvenuto immediatamente, senza alcun dato personale dell'utente. Mentre gli utenti continuavano a confermare le loro attività durante i venti giorni, la personalizzazione del sistema entrava in gioco e l'accuratezza finale saliva all'89 percento. Ciò significa che, combinando una correzione intelligente e immediata con un processo di apprendimento lento e costante, il sistema è riuscito a recuperare dai suoi errori iniziali ed è diventato altamente affidabile.

Non tutte le attività erano ugualmente facili da padroneggiare. Camminare e passare lo straccio venivano riconosciuti con un'alta accuratezza fin dall'inizio. Lavarsi il viso, invece, rimaneva l'attività più difficile. Anche dopo venti giorni di personalizzazione, il sistema faticava ancora con questo compito, riuscendo a identificarlo solo circa il 79 percento delle volte. I ricercatori hanno scoperto che, sebbene il sistema potesse correggere molti dei suoi errori iniziali, persisteva una certa confusione tra il lavarsi il viso e altri movimenti. Ciò suggerisce che il sensore al polso, pur essendo eccellente nel tracciare il movimento del braccio, a volte manca del dettaglio fine necessario per distinguere azioni manuali molto simili. Nonostante ciò, il sistema ha dimostrato di poter imparare da un utente senza richiedere una quantità massiccia di dati o un processo di riaddestramento complesso.

Lo studio ha anche confermato che questo approccio è pratico per l'uso quotidiano. L'intero sistema, inclusa la memoria necessaria per ricordare le abitudini specifiche dell'utente, occupava pochissimo spazio sullo smartwatch — circa quanto un piccolo file di una foto. Funzionava rapidamente, prendendo decisioni in meno di un decimo di secondo, e il consumo extra di batteria era minimo, consumando circa il 3,5 percento della batteria per ora di utilizzo attivo. Questa efficienza è fondamentale; un sistema che scarica uno smartwatch in poche ore è inutile per il monitoraggio della salute a lungo termine.

I ricercatori sono stati attenti a sottolineare i limiti dei loro risultati. Le risposte "corrette" utilizzate per testare il sistema provenivano dagli utenti stessi, che vedevano l'ipotesi dello smartwatch prima di confermarla. Ciò significa che il sistema potrebbe essere stato influenzato dalla fiducia o dal pregiudizio dell'utente, piuttosto che da un osservatore indipendente. Inoltre, lo studio si è concentrato su sei attività specifiche che l'utente avviava manualmente, piuttosto che su un sistema che osserva una persona tutto il giorno e capisce automaticamente cosa sta facendo. Il sistema non ha inoltre cercato di imparare nuovi tipi di attività oltre le sei che gli erano state insegnate.

Nondimeno, la scoperta centrale è significativa. Dimostra che un dispositivo indossabile può partire da una comprensione generale del movimento umano e poi adattarsi allo stile unico di un individuo attraverso un semplice feedback umano-nel-ciclo (human-in-the-loop). Non deve essere una tabula rasa in attesa di settimane di dati, né deve essere un programma rigido e immutabile. Separando gli aggiustamenti immediati e intelligenti dall'apprendimento personale lento, il sistema offre una strada verso smartwatch che non sono solo sensori, ma veri compagni adattivi per il monitoraggio della salute nel mondo reale. Lo studio suggerisce che il futuro del monitoraggio della salute tramite dispositivi indossabili non risiede nel rendere il computer più intelligente in isolamento, ma nel creare una partnership in cui il dispositivo impara dalla persona che lo indossa, un'attività confermata alla volta.