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

A vida cotidiana é uma sequência de movimentos pequenos e, muitas vezes, repetitivos: escovar os dentes, lavar a louça, caminhar até a cozinha ou passar um pano no chão. Para médicos e cuidadores, monitorar essas "atividades da vida diária" é vital. A capacidade de uma pessoa realizar essas tarefas de forma independente é um indicador primário de sua saúde e segurança. Tradicionalmente, medir isso depende de pedir às pessoas que se lembrem do que fizeram ou de ter um enfermeiro observando-as em momentos específicos. Esses métodos são imperfeitos; a memória humana é falível e uma observação instantânea perde o ritmo de um dia inteiro. Para obter um quadro real de como alguém está funcionando, precisamos de uma maneira de observá-las continuamente sem ser intrusivos. É aqui que entra o smartwatch. Usado no pulso, ele carrega sensores que podem sentir as mudanças sutis de movimento, oferecendo uma janela potencial para a rotina diária de uma pessoa. Mas há um problema: um programa de computador treinado para reconhecer esses movimentos em um laboratório silencioso e controlado frequentemente falha quando a mesma pessoa usa o relógio na realidade bagunçada e imprevisível de sua própria casa.

Pesquisadores da Queen Margaret University e da Edinburgh Napier University propuseram-se a resolver este problema específico. Eles questionaram se um sistema de smartwatch poderia aprender a reconhecer as atividades diárias de uma pessoa conforme fosse sendo usado, sem a necessidade de ser completamente retreinado do zero. Eles desenvolveram um sistema chamado SmartADAPT-Net, projetado para funcionar em duas fases distintas. Primeiro, utiliza um modelo de "população" geral — um conjunto de regras aprendidas com muitas pessoas diferentes em um laboratório — para fazer um palpite inicial sobre qual atividade está ocorrendo. Segundo, ele aprende lentamente com a pessoa específica que o está usando, mas apenas quando essa pessoa confirma ou corrige o palpite do relógio. O objetivo era ver se essa abordagem de dois passos poderia preencher a lacuna entre um robô treinado em laboratório e um assistente personalizado e útil no mundo real.

Os pesquisadores começaram construindo a base de seu sistema em um ambiente doméstico simulado. Trinta voluntários realizaram seis tarefas comuns: escovar os dentes, passar pano ou aspirar o pó, organizar itens em prateleiras, caminhar, lavar a louça e lavar o rosto. Eles usaram Apple Watches que registraram o movimento de seus pulsos. A equipe usou esses dados para ensinar um modelo de computador a reconhecer os padrões desses movimentos. Este modelo inicial foi "congelado", o que significa que seu núcleo cerebral estava travado e não mudaria depois. No entanto, os pesquisadores adicionaram uma camada inteligente de ajuste chamada "modulação consciente da complexidade". Este recurso observa o quão caótico ou irregular é um movimento. Por exemplo, caminhar é geralmente rítmico, enquanto lavar a louça pode ser mais errático. Ao medir essa complexidade, o sistema podia fazer um ajuste rápido e inteligente ao seu palpite inicial, melhorando sua precisão antes mesmo de saber quem era o usuário.

O verdadeiro teste veio quando implantaram este sistema em um novo grupo de dezessete pessoas em suas casas reais durante vinte dias. Esses participantes usaram o relógio e iniciaram uma gravação sempre que realizavam uma das seis atividades alvo. O sistema não conhecia essas pessoas previamente. Quando o relógio fazia uma previsão, o usuário era solicitado a confirmar se estava correta ou a selecionar a atividade certa de uma lista. Esse feedback foi a chave. O sistema não retreinou seu cérebro principal, o que seria muito pesado para a bateria e o processador do relógio. Em vez disso, ele armazenava "protótipos" simples — resumos compactos de como os movimentos daquela pessoa específica se pareciam para cada atividade. À medida que o usuário confirmava mais ações, o sistema ajustava lentamente sua decisão final, combinando o conhecimento da população geral com os hábitos do usuário específico.

Os resultados mostraram uma progressão clara e poderosa. Quando o sistema dependia apenas de seu céreamente inicial e congelado, ele acertava a atividade cerca de 62 por cento das vezes. Essa queda em relação ao desempenho no laboratório era esperada, já que a vida real é mais bagunçada do que um experimento controlado. No entanto, no momento em que o sistema aplicou seu ajuste consciente da complexidade, a precisão saltou para 78 por cento. Esse aumento aconteceu imediatamente, sem qualquer dado pessoal do usuário. À medida que os usuários continuavam a confirmar suas atividades ao longo dos vinte dias, a personalização do sistema entrou em ação, e a precisão final subiu para 89 por cento. Isso significa que, ao combinar uma correção inteligente imediata com um processo de aprendizado lento e constante, o sistema recuperou-se de seus erros iniciais e tornou-se altamente confiável.

Nem toda atividade era igualmente fácil de dominar. Caminhar e passar pano foram reconhecidos com alta precisão desde o início. Lavar o rosto, no entanto, permaneceu a tarefa mais difícil. Mesmo após vinte dias de personalização, o sistema ainda tinha dificuldades com essa tarefa, acertando-a apenas cerca de 79 por cento das vezes. Os pesquisadores descobriram que, embora o sistema pudesse corrigir muitos de seus erros iniciais, certa confusão entre lavar o rosto e outros movimentos persistia. Isso sugere que o sensor de pulso, embora excelente para rastrear o movimento do braço, às vezes carece do detalhe fino necessário para distinguir ações manuais muito semelhantes. Apesar disso, o sistema provou que poderia aprender com um usuário sem a necessidade de uma quantidade massiva de dados ou um processo de retreinamento complexo.

O estudo também confirmou que esta abordagem é prática para o uso cotidiano. Todo o sistema, incluindo a memória necessária para lembrar os hábitos específicos de um usuário, ocupava muito pouco espaço no relógio — aproximadamente o tamanho de um pequeno arquivo de foto. Ele rodava rapidamente, tomando decisões em menos de um décimo de segundo, e o consumo extra de bateria era mínimo, consumindo cerca de 3,5 por cento da bateria por hora de uso ativo. Esta eficiência é crucial; um sistema que esgota o relógio em poucas horas é inútil para o monitoramento de saúde a longo prazo.

Os pesquisadores foram cuidadosos ao notar os limites de suas descobertas. As respostas "corretas" usadas para testar o sistema vieram dos próprios usuários, que viam o palpite do relógio antes de confirmar. Isso significa que o sistema poderia ter sido influenciado pela própria confiança ou viés do usuário, em vez de um observador independente. Além disso, o estudo focou em seis atividades específicas que o usuário iniciava manualmente, em vez de um sistema que observa uma pessoa o dia todo e identifica automaticamente o que ela está fazendo. O sistema também não tentou aprender novos tipos de atividades além das seis para as quais foi ensinado.

No entanto, a descoberta central é significativa. Demonstra que um dispositivo vestível pode começar com uma compreensão geral do movimento humano e então se adaptar ao estilo único de um indivíduo através de um simples feedback humano no ciclo. Ele não precisa ser uma folha em branco esperando por semanas de dados, nem precisa ser um programa rígido e imutável. Ao separar os ajustes imediatos e inteligentes do aprendizado pessoal e lento, o sistema oferece um caminho para smartwatches que não são apenas sensores, mas companheiros verdadeiramente adaptáveis para monitorar a saúde no mundo real. O estudo sugere que o futuro do monitoramento de saúde por dispositivos vestíveis não reside em tornar o computador mais inteligente isoladamente, mas em criar uma parceria onde o dispositivo aprende com a pessoa que o usa, uma atividade confirmada de cada vez.