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

1. Declaração do Problema

Dispositivos vestíveis que utilizam Unidades de Medição Inercial (IMUs) para Reconhecimento de Atividade Humana (HAR) enfrentam um gargalo crítico de energia. As soluções mais avançadas atuais normalmente executam redes HAR continuamente em todas as janelas de dados, independentemente de a atividade do usuário ter mudado.

• Ineficiência: A atividade humana é frequentemente repetitiva e estática por longos períodos. A classificação contínua durante essas fases estáveis desperdiça significativamente a vida útil da bateria e os recursos computacionais.
• Limitações das Soluções Existentes:
  • Otimização de Modelos: Técnicas como quantização e poda reduzem o tamanho do modelo, mas ainda exigem inferência contínua.
  • Hierárquico/Saída Antecipada: Métodos como Dendron ou estratégias de saída antecipada reduzem o custo por janela, mas não eliminam ativações desnecessárias quando nenhuma mudança ocorre.
  • Abordagens de Portão (Gating): Métodos de portão existentes frequentemente exigem treinamento offline em conjuntos de dados específicos ou dependem de parâmetros estatísticos rígidos (por exemplo, CUSUM) que carecem de generalização entre diferentes dispositivos e tipos de atividade.

2. Metodologia

Os autores propõem um portão de detecção de mudanças leve e não paramétrico que roda continuamente no sensor. Este portão atua como um filtro, invocando a rede HAR completa e computacionalmente cara apenas quando uma mudança na atividade é detectada.

Fases do Algoritmo Central

O algoritmo opera em tempo real com uma janela deslizante de 3 segundos (50% de sobreposição) e consiste em quatro fases:

1. Extração de Características (amostra a amostra):

   • Em vez de armazenar dados brutos em buffer, as características são computadas amostra a amostra para minimizar memória e latência.
   • 12 Características: Extraídas de aceleração e velocidade angular, incluindo normas euclidianas, derivadas de primeira ordem, componentes da gravidade (ângulos de Euler), taxas de cruzamento da média e amplitudes pico a pico.

2. Criação do Modelo de Referência:

   • O algoritmo identifica as duas características mais informativas para a atividade atual analisando a Variância (amplitude sustentada) e a Média das Diferenças Sucessivas ao Quadrado (MSSD) (variabilidade/periodicidade de curto prazo).
   • Essas duas características são normalizadas e acumuladas em um histograma 2D de 10×10 (um "modelo") representando a densidade conjunta do par de características. Isso serve como o Modelo de Referência ($T_r$).

3. Criação do Modelo Atual:

   • Para cada nova janela, um Modelo Atual ($T_n$) é gerado usando as mesmas duas características selecionadas e os mesmos limites de normalização (mínimo/máximo) estabelecidos durante a fase de referência.

4. Comparação e Decisão:

   • A similaridade entre $T_n$ e $T_r$ é calculada usando o Coeficiente de Correlação Normalizado (NCC).
   • Lógica de Decisão:
     • Se $NCC \geq Limiar$: A atividade está estável. Nenhuma ação é tomada; a rede HAR permanece desligada.
     • Se $NCC < Limiar$: Uma mudança é detectada. O portão aciona a rede HAR completa, atualiza o Modelo de Referência e reinicia o ciclo de monitoramento.

Calibração

• Sem Treinamento Offline: O algoritmo não requer treinamento em grandes conjuntos de dados.
• Ajuste Específico do Dispositivo: Uma breve fase de calibração (2–3 minutos de dados com 8–10 transições) é usada para determinar o limiar NCC ótimo ($Th_{NCC}$). Este limiar é ajustado para maximizar a Taxa de Verdadeiros Positivos (TPR) para garantir que nenhuma transição genuína seja perdida.

3. Contribuições Principais

• Agnóstico e Não Paramétrico: O método não requer definição prévia de classes de atividade e não faz suposições sobre a distribuição estatística dos sinais do sensor.
• Pegada de Recursos Ultra-Baixa:
  • Memória: Requer apenas 4,53 kB (armazenando valores de características e histogramas).
  • Computação: Custa aproximadamente 16 kFLOPs por etapa.
  • Comparação: Isso é >50× mais barato do que redes HAR típicas (por exemplo, Dendron com ~853 kFLOPs).
• Alta Sensibilidade: Projetado para priorizar a detecção de todas as mudanças (alta TPR) em vez de evitar falsos alarmes, garantindo que a rede HAR nunca esteja "adormecida" durante uma transição.
• Viabilidade de Hardware: Os baixos requisitos de memória e computação permitem a implementação diretamente em Unidades de Microcontrolador (MCUs) e unidades de sensor inteligentes, sem necessidade de um processador host.

4. Resultados Experimentais

O algoritmo foi avaliado em dois conjuntos de dados públicos em três tipos de dispositivos: Óculos Inteligentes (UCA-EHAR), Relógio Inteligente (WISDM) e Smartphone (WISDM).

• Comparação com Baselines:
  • CUSUM: Alcançou alta TPR (91–94%), mas generalização pobre entre diferentes tipos de dispositivos e dinâmicas de transição.
  • ML Supervisionado (DT, SVM): Mostrou desempenho inconsistente entre dispositivos. Quando treinado em dados desbalanceados (cenário realista), a TPR caiu significativamente (por exemplo, 61% para SVM em smartphone). Eles também exigiram treinamento offline extensivo.
• Economia de Energia:
  • Em cenários de monitoramento realistas (UCA-EHAR), o portão reduziu o número de janelas que exigem inferência HAR completa em 70% (acionando apenas ~30% do tempo).
  • Isso se traduz em uma redução estimada de 67% na carga computacional total (FLOPs), estendendo significativamente a vida útil da bateria.

5. Significado e Conclusão

Este artigo apresenta uma mudança de paradigma para HAR na borda, migrando de "classificação sempre ativa" para "ativação impulsionada por mudanças".

• Impacto Prático: Ao desacoplar a detecção contínua da tarefa pesada de classificação, o método permite wearables ultra-baixo consumo de energia que podem operar por dias ou semanas em baterias pequenas.
• Generalização: A capacidade do algoritmo de se adaptar a diferentes sensores (óculos, relógios, telefones) com apenas uma breve calibração torna-o altamente escalável para implantação comercial.
• Trabalho Futuro: Os autores planejam validar o sistema em dispositivos físicos em condições de monitoramento do mundo real e em tempo real para verificar ainda mais as economias de energia e a robustez.

Em resumo, o portão "Agnóstico no Sensor" proposto oferece uma solução robusta, leve e altamente sensível ao gargalo de energia no HAR vestível, alcançando um equilíbrio favorável entre confiabilidade de detecção e custo computacional.