gms | German Medical Science

Einleitung und Zielsetzung: Mit dem demogarfischen Wandel [1] werden neue Wohnformen, in denen intelligente Systeme den Bewohner im Alltag unterstützen immer wichtiger [2], [3]. Gerade die zuverlässige Erkennung von An- und Abwesenheiten der Bewohner in der Wohnung sowie Alltagstätigkeiten, lassen Rückschlüsse auf akute und schleichende Veränderungen der Lebenssituation der Bewohner zu. Weiterhin bieten sie das Potenzial in Notfallsituationen schnell zu reagieren oder prophylaktisch einzugreifen, um frühzeitig auf sich ändernde Bedarfslagen zu reagieren.

Diese Arbeit hat zwei Ziele: (1) Die Erstellung eines Verfahrens zur Erhebung eines eigenen Datensatzes für die Evaluierung der Anwesenheitserkennung von Bewohnern in betreuten „Smart-Home“-Wohnungen. (2) Die Evaluierung zweier Algorithmen [4] (regelbasierter Ansatz (RB) und unsupervised Machine-Learning-Ansatz (ML)) hinsichtlich der Leistung bei der Anwesenheitserkennung.

State of the Art: Die Erkennung von Anwesenheiten wird in der Literatur auf verschiedene Sensoren und Aktoren gestützt [5]. Hierbei wird sich jedoch oft nur auf einzelne Aktivitäten wie beispielsweise Kochen oder Schlafen konzentriert und diese mit Verfahren des supervised sowie unsupervised Machine-Learning evaluiert [6], [7], [8]. Die Datenbasis für diese Verfahren ist nicht verfügbar. Freie Datensätze [9], [10] wurden untersucht, konnten aber nicht verwendet werden, da sie entweder auf spezieller Sensorik beruhten oder nur Aktivitäten in der Wohnung erfassten aber keine Abwesenheitszeiträume.

Methode und Durchführung: Die Methode zur Auswertung der Algorithmen orientiert sich an dem Modell zur Evaluierung von klassifizierenden Algorithmen von [11]. Als Grundlage wurde für die Evaluation ein Quasi-Goldstandard erstellt. Weiterhin wurde über die in den Wohnungen verbauten Sensoren (Lichtschalter, Bewegungssensoren, Herdabschaltung) Daten gesammelt.

Die Prüfung der erhobenen Sensordaten erfolgte in drei Schritten (i) Tägliche Anrufe beim Bewohner zum Abgleich der Sensordaten mit dem Tagesablauf (ii) Logische Prüfung der gesammelten Daten auf Validität (iii) Gegenüberstellung der Daten mit dem vom Bewohner erstellten Tagebuch [12]. Die Daten des so erstellten Quasi-Goldstandards bilden die Grundlage für die Evaluation der beiden Algorithmen.

Ergbnisse und Diskusion: Die Erhebung der Daten ersteckte sich bei jedem der 7 Bewohner über einen Zeitraum von 10 Tagen. In dieser Zeit konnte 153-mal das Betreten der Wohnung und 154-mal das Verlassen der Wohnung beobachtet werden. Insgesamt bedeutet das für den normierten Datensatz des Quasi-Goldstandard 7708 Abwesenheits- und 139755 Anwesenheitsmeldungen.

Die beiden Algorithmen zeigen eine Accuracy von RB: 97,4% und ML: 99,3%. Da es sich nicht um eine Gleichverteilung handelt, wurden auch die ROC Kurve (Receiver Operating Characteristics) berechnet. Die AUC (Area Under Curve) beträgt RB: 0,847 und ML: 0,959.

Eine statistische Untersuchung beider Ansätze mit Wilcoxon (Signifikanzniveau von 0,05) ergibt bei der Accuracy p = 0,002183 und für die AUC p = 0,002516. Somit liegt in beiden Fällen ein signifikanter Unterschied zwischen beiden Algorithmen vor.

Der RB-Ansatz zeigt vor allem eine Schwäche bei Wohnungen mit zwei Bewohnern oder viel Publikumsverkehr (z.B. Besuche, Postboten). Hierbei spielt die Länge der Abwesenheiten keine Rolle. Der ML-Ansatz dagegen hat Erkennungsprobleme bei kurzen Abwesenheiten.

Im nächsten Schritt werden die Algorithmen überarbeitet und miteinander kombiniert, um Schwachstellen zu minimieren. Im Datensatz des Quasi-Goldstandards sind auch die Tätigkeiten während der Anwesenheit in der Wohnung aus dem Tagebuch dokumentiert. Dies erlaubt im nächsten Schritt weitere Untersuchungen der Anwesenheitsaktivitäten.

Die Autoren geben an, dass kein Interessenkonflikt besteht.

Die Autoren geben an, dass kein Ethikvotum erforderlich ist.