Monitorização de atividades de idosos baseada em sensores IoT não intrusivos

Dissertação de Mestrado Integrado em Engenharia Electrotécnica e de Computadores apresentada à Faculdade de Ciências e TecnologiaO envelhecimento é um processo natural, que tem tendência para reduzir a mobilidade e aumentar a probabilidade de quedas. Os mais idosos passam a ter necessidade de acompanhamento permanente ora pelos seus familiares, quem nem sempre têm disponibilidade, ora numa unidade de cuidados de saúde, que é economicamente mais exigente. De forma a proporcionar um constante acompanhamento sem necessidade de abandonar as próprias casas, esta tese propõe um sistema de monitorização para idosos baseado em sensores IoT não intrusivos.Esta tese propõe uma arquitetura de sensores capaz de recolher eventos de um utilizador que, em conjunto com algoritmos de previsão e de análise de semelhanças de atividade, permitem detetar comportamento anormal.A previsão do comportamento humano é uma tarefa difícil. O ser humano é imprevisível ao ponto de ser capaz de desempenhar uma mesma atividade de formas distintas apenas alterando a ordem nas interações com objetos. Esta diversidade torna dificil estabelecer o modo como atividades são desempenhadas.Várias abordagens do estado da arte estão mais direcionadas para a identificação de atividades, enquanto esta tese pretende focar-se num método não supervisionado, ao detetar padrões no comportamento de cada utilizador, retirando a necessidade de identificar atividades. Tal será feito através de algoritmos de aprendizagem máquina e um modelo de estrutura em árvore. Para treinar os vários algoritmos, é essencial que exista um número elevado de dados, difíceis de gerar por um único utilizador. As abordagens de aprendizagem máquina propostas exploram LSTMs, que são o mais recente estado da arte em modelação de sequências, assim como word embeddings para estabelecer correlação entre eventos. O modelo sem perdas implementado avalia o grau de semelhança de sequências de eventos e proporciona um bom método de avaliação para os modelos de aprendizagem máquina desenvolvidos. As várias arquiteturas exploradas demonstraram resultados promissores na descoberta de padrões nos dados.Ageing is a natural process that tends to reduce mobility over time, increasing the probability of falls. The elderly start to require permanent monitoring either by their families, who are not always available, or by a caring facility that is economically demanding. To provide constant monitoring without leaving their houses, this thesis proposes an IoT-based non-intrusive elderly monitoring system.The proposed approach consists of the design of a hardware architecture working side by side with activity prediction and similarity comparison algorithms to detect unusual behaviour.Predicting human behaviour is a difficult task. The human being is very unpredictable and capable of performing the same activity in various ways just by changing the order of interaction with objects and appliances. This makes it difficult to establish how an activity is performed. Several state-of-the-art approaches focus on identifying the activities being performed by the elderly. This thesis pretends to address a more unsupervised approach by detecting user behaviour patterns by train several machine learning approaches and a lossless model without daily activity classification. To train such algorithms, a great amount of data is required, which is difficult to acquire by a single user.The proposed machine learning approaches explore the use of LSTM's, the current state-of-the-art in sequence modelling, and word embeddings to find event correlation. The implemented lossless model evaluates the similarity of event sequences and also provides a good evaluation metric for the machine learning approaches. The various implemented architectures have shown promising results in finding patterns in data