Diagnostic Classification Framework of Ambient Sensor Data for Aging in Place Smart Home Environments

Abstract

Aging in place (AIP) is being highlighted as the perception of the elderly and old age changes with the global population aging and as it becomes difficult to maintain the facility-centered policies for the elderly in the past. Smart home technology is highly likely to be used to monitor daily life movements, that is, independent daily life movements, which are essential in determining the AIP period and quality. This study aims to develop a diagnostic classification model based on indoor ambient sensors according to the performance of the Instrumental Activities of Daily Living (IADLs) task for quantitative evaluation and prediction of the behavioral performance of the elderly. To this end, we propose a diagnostic aid function framework that enables diagnosis without expert labeling through an ensemble model using Bag-Of-Sensors features that reflect ADL determinants. In this regard, as a baseline model, a classification model using time-series sensor activation log data and ones using IADLs behavior labels from experts was set as a comparison model. As a result, using Bag-Of-Sensors features, the derivatives that reflect the IADLs assessment determinants, and the ensemble technique enhanced its function as a diagnostic framework. It was possible to achieve the predictive power equivalent to it through the Bag-Of-Sensors feature without the expert label. The proposed method could simplify the way to embed the expert’s diagnostic mechanism in the diagnostic framework. Thus, through the proposed BagOf-Sensors feature, it was proved the possibility of constructing an efficient framework that can serve as a preliminary cognitive health diagnosis support system for AIP.;전 세계적인 고령화에 따라 노인과 노년기에 대한 인식이 변화하고 과거 시설 중심의 노인정책 유지가 어려워지면서, ‘노인의 지역사회 계속 거주 (Aging in place, 이하 AIP)’가 부각되고 있다. AIP 기간과 그 질을 결정하는 데에 중요한 일상에 대한 통제력, 즉 독립적 일상생활 동작을 모니터링하는 데에 스마트홈 기반 Human Activity Recognition 기술은 그 활용 가능성이 높다. 본 연구는 노인의 행동 수행 능력에 대한 정량적 평가 및 예측을 위해, 일상생활수행능력(Instrumental Activities of Daily Living, 이하 IADLs) task 수행에 따른 실내 ambient sensor(이하 주변센서) 기반 진단 분류 모델을 개발하고자 한다. 이를 위해, 센서 활성화 시퀀스와 IADL 결정요인을 반영한 Bag-OfSensors feature를 사용한 앙상블 모델을 통해 전문가의 라벨링 없이도 진단이 가능한 진단 보조 기능의 프레임워크를 제안한다. 이에 대해 베이스라인 모델로서 개인별 IADLs 행동 수행에 대한 시계열 센서 활성화 로그 데이터와, 이에 대한 전문가의 IADLs 행동 라벨까지 활용한 분류 모델을 비교 모델로 설정하고, Bag-Of-Sensors feature 사용 여부에 따른 성능을 평가하였다. 그 결과, 전문가 라벨을 학습 데이터로 활용하지 않더라도 Bag-Of-Sensors feature를 통해 그에 준하는 예측력을 확인할 수 있었으며, 전문가 진단 매커니즘 내재를 단순화할 수 있었다. 이로써, 제안된 Bag-Of-Sensors feature를 통해 AIP를 위한 인지 건강 예비 진단 및 의사결정 보조 시스템 역할을 할 수 있는 효율적 프레임워크 구축의 가능성을 확인할 수 있었다.