[논문 리뷰] Detecting Activities of Daily Living and Routine Behaviours in Dementia Patients Living Alone Using Smart Meter Load Disaggregation

Carl Chalmers, Paul Fergus외 4명|arXiv (Cornell University)|2019. 03. 18.

Context-Aware Activity Recognition Systems참고 문헌 30인용 수 11

한 줄 요약

이 논문은 치매 환자가 단독으로 거주할 때 일상 활동(ADL)과 루틴 변화를 탐지하기 위해 부하 분해와 기계 학습을 활용한 비침습적 스마트 미터 기반 시스템을 제안한다. 실제 스마트 미터 데이터를 바탕으로 SVM 및 랜덤 결정수림 분류기 모델을 적용하여 기기 탐지에 높은 정확도(ROC-AUC=0.9429, 민감도=0.9634)를 달성하였으며, 이는 조기에 간병 개입이 가능한 행동 변화 탐지에 기여한다.

ABSTRACT

The emergence of an ageing population is a significant public health concern. This has led to an increase in the number of people living with progressive neurodegenerative disorders like dementia. Consequently, the strain this is places on health and social care services means providing 24-hour monitoring is not sustainable. Technological intervention is being considered, however no solution exists to non-intrusively monitor the independent living needs of patients with dementia. As a result many patients hit crisis point before intervention and support is provided. In parallel, patient care relies on feedback from informal carers about significant behavioural changes. Yet, not all people have a social support network and early intervention in dementia care is often missed. The smart meter rollout has the potential to change this. Using machine learning and signal processing techniques, a home energy supply can be disaggregated to detect which home appliances are turned on and off. This will allow Activities of Daily Living (ADLs) to be assessed, such as eating and drinking, and observed changes in routine to be detected for early intervention. The primary aim is to help reduce deterioration and enable patients to stay in their homes for longer. A Support Vector Machine (SVM) and Random Decision Forest classifier are modelled using data from three test homes. The trained models are then used to monitor two patients with dementia during a six-month clinical trial undertaken in partnership with Mersey Care NHS Foundation Trust. In the case of load disaggregation for appliance detection, the SVM achieved (AUC=0.86074, Sen=0.756 and Spec=0.92838). While the Decision Forest achieved (AUC=0.9429, Sen=0.9634 and Spec=0.9634). ADLs are also analysed to identify the behavioural patterns of the occupant while detecting alterations in routine.

연구 동기 및 목표

• 비공식 간병인에 의존하지 않고도 치매 환자가 단독으로 거주할 경우를 대비한 비침습적이고 확장 가능한 모니터링 솔루션 개발.
• 스마트 미터 데이터를 활용해 식사 및 음료 섭취와 같은 일상 활동(ADL)을 탐지.
• 임상적 악화의 조기 징후로 작용하는 루틴 행동의 이탈을 식별.
• 실제 주거 환경에서의 부하 분해 정확도를 평가하기 위해 기계 학습 모델의 성능 평가.
• 자동화된 행동 모니터링을 통해 조기에 임상적 개입이 가능하도록 독립 생활 지원.

제안 방법

• 개별 기기 사용 패턴을 식별하기 위해 신호 처리 기반 스마트 미터 데이터의 부하 분해.
• 기기의 케이스/오프 상태를 탐지하기 위해 서포트 벡터 머신(SVM) 및 랜덤 결정수림 분류기 적용.
• 6개월 간 세 가구에서 수집한 데이터를 사용해 모델의 훈련 및 검증.
• 모델 성능 평가를 위해 수신기 작동 특성(ROC) 분석을 활용하고, ROC-AUC, 민감도, 특이도 지표 사용.
• 기기 수준의 이벤트를 식사, 음료 섭취, 루틴 행동 변화와 같은 고수준의 일상 활동(ADL)으로 매핑.
• 메르시 케어 NHS 파운데이션 트ัส트와의 협력으로 두 명의 치매 환자에 대한 임상적 도입 및 모니터링 수행.

실험 결과

연구 질문

• RQ1 실제 주거 환경에서 스마트 미터 부하 분해가 개별 기기 사용을 정확하게 탐지할 수 있는가?
• RQ2 기계 학습 모델이 단독 거주 중인 치매 환자에서 정상 및 비정상 행동 패턴을 구분할 수 있는가?
• RQ3 기기 수준의 데이터가 고수준의 일상 활동(ADL)을 유추하는 데 얼마나 효과적인가?
• RQ4 SVM 및 랜덤 결정수림 분류기가 치매 환자에서 루틴 이탈을 탐지하는 데 얼마나 효과적인가?
• RQ5 이 시스템은 비공식 간병인에 의존하지 않고도 임상적 악화를 조기에 탐지할 수 있는가?

주요 결과

• 랜덤 결정수림 분류기가 SVM보다 기기 탐지에서 뛰어난 성능을 보였으며, ROC-AUC=0.9429, 민감도=0.9634, 특이도=0.9634를 달성하였다.
• SVM 모델은 ROC-AUC=0.86074, 민감도=0.756, 특이도=0.92838를 기록하여 랜덤 결정수림보다 다소 낮은 성능이지만 강력한 성능을 보였다.
• 기기 사용 패턴을 통해 루틴 행동의 변화를 성공적으로 탐지하여 임상적 악화의 조기 식별이 가능했다.
• 두 명의 치매 환자를 6개월간 임상 시험 기간 동안 모니터링한 결과, 실제 환경에서의 적용 가능성을 입증하였다.
• 스마트 미터 데이터를 활용한 부하 분해는 독립 생활 중 치매 환자에서 일상 활동을 지속적으로 모니터링할 수 있는 확장 가능하고 비침습적인 방법을 제공한다.
• 결과적으로 스마트 미터를 통한 자동화되고 개인정보 보호가 가능한 모니터링은 비공식 간병인에 대한 의존도를 감소시키며, 조기에 임상적 개입을 지원할 수 있음을 시사한다.