| Vom Sensorevent zur Aktivität |
|
Holger Storf
Warum Aktivitätenerkennung in Ambient Assisted Living eine Herausforderung ist
Die Erkennung von charakteristischen Aktivitäten im Kontext des Forschungsbereiches Ambient Assisted Living (AAL) ist aus verschiedenen Gründen von Interesse. Bei der Entwicklung entsprechender Ansätze stößt man auf spezielle Herausforderungen welche es zu beachten gilt, außerdem gibt es eine Vielzahl an möglichen Verfahren zur Sensorfusion und zur Modellierung von Aktivitäten, worüber im folgenden Beitrag ein Überblick gegeben werden soll.
Inhalt Aktivitäten des täglichen Lebens Verwendete Sensoren zur Aktivitätenerkennung in AAL Herausforderungen der Aktivitätenerkennung Ereignisgesteuerte Architektur
Der Artikel gibt Einblick in verschiedene Aspekte der Aktivitätenerkennung in AAL. Zunächst wird der Hintergrund zur Aktivitätenerkennung in AAL aus geriatrischer Sicht beschrieben, sowie die in der Regel in AAL-Projekten verwendete Sensorik und der darauf aufbauenden Informationshierarchie erläutert. In den folgenden Kapiteln wird zunächst der Fokus auf die speziellen Herausforderungen gelegt, welche mit der Aktivitätenerkennung einhergehen. Im Anschluss werden bekannte Verfahren mit ihren Eigenschaften beschrieben, welche zur Erkennung von charakteristischen Aktivitäten und deren Modellierung diene.
Aktivitäten des täglichen LebensZu den charakteristischen Aktivitäten werden im Bereich des geriatrischen Assessments (d.h. Bewertung von älteren Patienten durch einen behandelnden Arzt, generell unterteilt in einfaches Screening und optionales komplexeres Basis-Assessment) zur Analyse der körperlichen und instrumentellen Selbstversorgungs-fähigkeiten die basalen und instrumentellen Aktivitäten des täglichen Lebens (engl. Activities of Daily Living (ADL/IADL)) gezählt. Diese wurden zum ersten Mal 1963 im sog. Katz-Index [1] erwähnt. Die Bewertung des Durchführens von ADLs, bzw. IADLs findet bspw. im geriatrischen Screening nach Lachs [2] oder im Barthel-Index [3] Einfluss um die Alltagskompetenz einer potentiell betroffenen Person zu bewerten.
Ziel der Erfassung der ADLs im Bereich Ambient Assisted Living ist es eine objektive Grundlage für eine Bewertung der funktionellen Fähigkeiten und der kognitiven und seelischen/geistigen Gesundheit einer Person durch Experten bereitzustellen. Weitere geriatrische Assessment-Bereiche sind die körperliche Gesundheit und die soziale und ökonomische Situation der betroffenen Person, welche durch die Ermittlung anderer Parameter adressiert werden können [4].
Die Struktur, Komplexität und Messbarkeit unterscheidet sich zwischen den unter-schiedlichen Aktivitäten grundlegend. Beispielsweise lässt sich das Essen einer Mahlzeit (basale ADL) mithilfe herkömmlicher Sensorik nur sehr schwer ermitteln wohingegen auf das Zubereiten einer Mahlzeit (IADL) z.B. durch das Erkennen von Indikatoren wie der Benutzung von Küchengeräten oder dem Aufenthalt in den Arbeitsbereichen geschlossen werden kann. Eine ähnliche Problematik ergibt sich bei der Ermittlung der ADLs Stuhl- und Harnkontinenz, hierbei kann ebenso nur indirekt über die wiederum messbare ADL Toilettenbenutzung darauf geschlossen werden.
Einerseits ist aus geriatrischen Gründen die Anzahl der beschriebenen Aktivitäten im Tagesablauf der betroffenen Person interessant um Entwicklungen im lang-fristigen Bereich zu erkennen, andererseits ist jedoch auch von Interesse wie die Aktivitäten konkret durchgeführt werden. Beispielsweise kann ein häufiges Abbrechen einer Aktivität in Bezug auf die Erkennung von kognitiven Ver-schlechterungen ein Indiz sein. Veränderungen in der durchschnittlichen Dauer einer Aktivität können ebenfalls Berücksichtigung in der Analyse finden.
Im folgenden Kapitel wird auf die mögliche im AAL-Kontext verwendete Sensorik eingegangen.
Verwendete Sensoren zur Aktivitätenerkennung in AALIm AAL Kontext werden zur automatischen Erkennung von verschiedenen ADLs auf unterschiedliche Arten von Sensorik zurückgegriffen. Diese können generell wie folgt eingeteilt werden [6]:
Tabelle 1: Übersicht - Ambiente Sensoren zur Aktivitätserkennung
Insbesondere bei den Lokalisierungssensoren, welche eine 3D Position der Person liefern, ist es notwendig, dass ein Sensor am Körper der Person getragen werden muss. Körpergebundene, tragbare Sensoren können jedoch auch verwendet werden um kontinuierliche Daten über Aktivitäten der Person zu ermitteln (auch außerhalb der Wohnumgebung). Die verschiedenen tragbaren Sensortypen können generell wie folgt eingestuft werden [6]:
Tabelle 2: Übersicht - Tragbare Sensoren zur Aktivitätserkennung
Die gemessenen Informationen werden von den Sensoren in verschiedener Form bereitgestellt. Manche Sensoren liefern kontinuierlich/periodisch Informationen, wie beispielsweise die Temperatur, Luftfeuchtigkeit im Raum oder die Aktivität der Person. Dahingegen liefern z.B. Sensoren zur Erkennung von Interaktionen und Manipulationen in der Umgebung Informationen bei Auslösung einer Aktivität (z.B. Schrank geöffnet/geschlossen, etc.).
Dementsprechend ergeben sich verschiedene Möglichkeiten zur Interpretation der gelieferten Daten hinsichtlich der Aktivitätenerkennung.
Informationshierarchie in AALIn der klassischen Informationsverarbeitung lässt sich der Informationsgehalt in verschiedene Ebenen untergliedern. Ziel ist es generell, die hohe Anzahl an einfachen Zeichen/Daten dahingehend zu interpretieren und zusammenzufassen, dass auf eine geringere Anzahl an Aktionen geschlossen werden kann. Da die Aktionen in die Umgebung eingreifen, können diese wiederum auch Einfluss auf die erfassten Zeichen haben. Eine differenzierte Betrachtung der Begriffe Zeichen, Daten, Information, Wissen und Aktion soll dazu führen Missverständnisse und Probleme in Umgang mit Wissen bestmöglich zu vermeiden [8]. Aamodt & Nygård definieren die klassische Wissenspyramide wie folgt [9]:
Zeichen bestehen beispielsweise aus einer binären Zahlenreihe oder einer Zahl. Wenn die Einheit, bzw. der Kontext bekannt ist kann diese zu einem Datum zusammengesetzt werden. Nach DIN-Norm 44300 definiert sich ein Datum wie folgt: „Gebilde aus Zeichen oder kontinuierlichen Funktionen, die aufgrund bekannter Abmachungen Informationen für die Weiterverarbeitung bzw. als Ergebnis darstellen“ [10]. Mithilfe zusätzlicher Kenntnisse kann das Datum entsprechend interpretiert werden (z.B. Temperatur/Luftfeuchtigkeit ist hoch, etc.). Mithilfe von Pragmatik und Wissen kann auf eine entsprechende Aktion geschlossen werden (z.B. Abdrehen der Heizung, Öffnen des Fensters, etc.). Ebenfalls kann hier das Interpretieren der Daten/Informationen in Bezug auf ADLs erwähnt werden - hierbei wäre die notwendige Pragmatik die definierten Zusammenhänge zwischen den Informationen bei einer ADL.
Events in der Sensorfusion
Herausforderungen der AktivitätenerkennungDie von Sensoren oder Verarbeitungskomponenten bereitgestellten Events in einem AAL-System können als eine kontinuierliche Aneinanderreihung mit unter-schiedlichen zeitlichen Zwischenräumen gesehen werden (Event Stream). Charakteristisch für jedes Event ist dessen Bedeutung und dessen Zeitpunkt des Auftretens. Laut Definition besteht jedes Event aus einem „Header“, in dem Elemente wie ID, Typ, Name, Zeitstempel, Anzahl Auftreten und Herkunftsquelle enthalten sind und das Auftreten beschreiben. Zusätzlich besteht ein Event aus einem „Body“, welcher detailliertere Informationen über das Auftreten beinhaltet, z.B. Hintergrundinformationen über den vorherigen Entscheidungsprozess der Erstellerkomponente, wie z.B. Schwellwerte, Muster, etc. [13].
Die Abbildung 7 zeigt eine beispielhafte Darstellung eines Event Streams in AAL in Abhängigkeit zur Zeitachse. Die farblich unterschiedlich gestalteten Kreise symbolisieren semantisch unter-schiedliche Events zu unterschiedlichen Zeitpunkten, die Pfeile die unterschiedliche Dauer von einem Event zum anderen. Bestimmte Konstellationen zwischen den Events repräsentieren eine Aktivität der Person in der Wirklichkeit. Die typischen Charakteristika dieser Aktivitäten können jedoch sehr unterschiedlich ausfallen. Einerseits können diese eine eher sequentielle Form haben, andererseits kann die Reihenfolge auch unerheblich sein und die Aktivität eher von charakteristischen Events in einem Gesamtzeitraum bestimmt sein (fuzzy Struktur). Ebenfalls ist eine Mischform beider Arten denkbar.
Ein vereinfachtes Beispiel für Ausprägungen einer sequentiellen Aktivität wird in Abbildung 8 gezeigt. Charakteristisch sind hierbei insbesondere die Reihenfolge und die Zeiträume zwischen den Events. Als eine Aktivität dieser Art ist z.B. die ADL „Toilettengang“ zu sehen. Ist das Auftreten der Events zu schnell, obwohl die Reihenfolge korrekt ist, kann dies ein Indikator dafür sein, dass die Aktivität nicht durchgeführt wurde (siehe unteres Beispiel der Abbildung).
Die folgende Abbildung zeigt ein vereinfachtes Beispiel für eine Aktivität mit einer fuzzy Struktur, d. h. eine Aktivität in der die Reihenfolge der Events weniger wichtig zur Bestimmung ist. Als eine Aktivität dieser Art ist z.B. die ADL „Zubereitung von Essen“ zu sehen. Bei dieser Aktivität ist es beispielsweise unerheblich in welcher Reihenfolge die Besteckschublade, der Kühlschrank, der Schrank mit den Töpfen, etc. benutzt wird. Diese zugrundeliegenden Aktivitäten sind jedoch wieder als sequentiell anzusehen, da z.B. der Kühlschrank für eine Benutzung zunächst geöffnet und dann geschlossen werden muss. Damit diese Aktivität als „sinnvoll“ betrachtet werden kann, muss jedoch ein gewisser Zeitraum zwischen diesen beiden Events liegen. Somit liegt hierbei schon eine Vermischung der Strukturen vor.
Als Herausforderung zur Erkennung der Aktivitäten kommt neben der grundsätzlich unterschiedlichen Struktur hinzu, dass die einzelnen Ausprägungen, d.h. die konkreten Ausführungen der Aktivität sehr unterschiedlich sein können und abhängig von den individuellen Gewohnheiten der Person sind. Die ADL „Zubereitung von Essen“ kann bspw. einerseits das einfache Schmieren eines Brotes oder das Kochen einer komplexen Mahlzeit sein
Als weitere Herausforderung ist zu nennen, dass verschiedene Aktivitäten in ihrer Durchführung überlappen können. Dies kann z.B. der Fall sein, wenn die Person eine Mahlzeit zubereitet, zwischenzeitlich auf die Toilette geht oder Fernsehen schaut, was jeweils wieder Aktivitäten von Interesse sein können.
Ereignisgesteuerte ArchitekturBei der Umsetzung der zuvor beschriebenen Informationshierarchie (siehe Kapitel Informationshierarchie) in AAL-Systemen wird häufig eine ereignisgesteuerte Architektur (Event-Driven Architecture) verwendet. Diese basiert im Allgemeinen auf den folgenden vier logischen Ebenen [13]:
Detailliertere Informationen über eine mögliche Referenzarchitektur sind in dem entsprechenden Artikel „Referenzarchitektur Sensorfusion“ zu finden.
Ansätze zur SensorfusionBasierend auf den zu Beginn des Kapitels erläuterten Ereignistypen wird im AAL-Kontext auf verschiedene Ansätze zur Aktivitätenerkennung zurückgegriffen, welche verschiedene Fähigkeiten mit sich bringen. Hein und Kirsti [6] unter-scheiden in ihrer Übersicht über Ansätze zur Aktivitätenerkennung in AAL zwischen Ansätzen, welche sich dadurch unterscheiden, ob sie auf einem Modell basieren oder nicht, oder die Fähigkeit haben mit zeitlichen Abhängigkeiten umzugehen oder nicht.
Hein und Kirste bewerten die Fähigkeiten der Ansätze zur Aktivitätenerkennung wie folgt:
Bei den Ansätzen, die zu „Model Free“ zählen (A+B), werden die zu lernenden Aktivitäten in einer expliziten „Lernphase“ eingelernt. Einerseits kann es sich hierbei um ein einmaliges Einlernen handeln bei dem es nicht von Interesse ist wer die einlernende Person ist, andererseits um ein individuelles Einlernen mit der betroffenen Person. Wichtig ist hierbei die realitätsnahe Durchführung der Szenarien, was beispielsweise bei der Erkennung von Stürzen auf diese Art eine Herausforderung darstellt. Ebenfalls herausfordernd ist die Erkennung von Aktivitäten mit einer hohen Variabilität in der Ausprägung auf diese Art, da es schwer ist sämtlich mögliche Ausprägung bei den einzulernenden Szenarien zu berücksichtigen – hinzu kommt der benötigte Aufwand. Bei den Modell-basierten Ansätzen (C) ist eine Erstellung des Modells mithilfe von Expertenwissen notwendig. Auf die Funktionsweise der konkreten Ansätze wird an dieser Stelle nicht weiter eingegangen und auf gängige Fachliteratur verwiesen.
Modellierung von AktivitätenInsbesondere bei den modell-basierten Ansätzen, welche mit zeitlichen Ab-hängigkeiten umgehen können (z.B. regelbasierte Ansätze) ist es notwendig, dass die zu erkennenden Aktivitäten mithilfe Expertenwissens modelliert werden müssen. Diese Experten können beispielsweise auch Mediziner oder Pflegekräfte sein. Einerseits kann es das Ziel sein ein allgemeingültiges Aktivitätsmodell zu entwickeln oder basierend auf diesem ein individuelles Modell, z.B. mithilfe der Angehörigen, um die Erkennungsrate für die betroffene Person zu optimieren.
Es gibt verschiedene Ansätze, wie solche Aktivitäten modelliert werden können. Im Folgenden werden verschiedene Domänen unabhängige Ansätze beispielhaft vorgestellt.
Unified Modeling Language Seit der Version 2.0 der Unified Modeling Language (UML, www.uml.org) gibt es die Möglichkeit Aktivitäten mithilfe von Aktivitätsdiagrammen zu modellieren [14]. Eine Aktivität kann hierbei aus einer Menge an elementaren Aktionen bestehen. Diese Aktionen sind miteinander (über sog. Kontroll- /Aktivitätsflüsse) verbunden und stellen somit einen typischen Ablauf, z.B. eines Systems oder auch einer Aktivität des täglichen Lebens dar. Die Semantik ähnelt der eines Petri-Netzes. Die sog. Kontrollflüsse können sich verzweigen, zusammenführen, aufsplitten und synchronisieren.
Ereignisgesteuerte Prozesskette Eine Alternative Möglichkeit zur Modellierung von ereignis-basierten Aktivitäten oder in diesem Fall insbesondere Prozessen bietet eine (erweiterte) ereignisgesteuerte Prozesskette (EPK /eEPK). Die Rede ist in diesem Fall von Ereignissen und Konnektoren zwischen diesen. Es gibt Konnektoren vom logischen Typ AND, OR und XOR. Ein wesentlicher Unterschied zu der beschriebenen Möglichkeit der Modellierung in UML ist jedoch das zusätzlich mögliche Einbinden von sog. Funktionen, Informationsobjekten oder Organisationseinheiten.
Allens Intervallalgebra Temporallogik dient dazu, Aussagen über Abläufe über die Zeit auszudrücken und zu beweisen [17]. Im Jahr 1983 wurde von James F. Allen in der Publikation „Maintaining Knowledge about Temporal Intervals“ [18] eine Form zur Repräsentation von zeitlichen Zusammenhängen zwischen Ereignissen vorgestellt. Es werden sämtliche mögliche zeitliche Beziehungen zwischen Ereignissen erläutert und ein Algorithmus zur Detektion dieser vorgestellt.
Mithilfe dieser definierten Übergänge lassen sich z.B. konkrete Instanzen von Aktivitäten des täglichen Lebens modellieren. Eine verallgemeinerte Definition mit mehreren möglichen Ausprägungen ist jedoch nicht möglich. Einen ähnlichen Ansatz zur Modellierung liefert Kowalski [19].
FazitZusammenfassend kann festgehalten werden, dass es sicherlich nicht „den“ Algorithmus zur Aktivitätenerkennung in AAL gibt. Die letztendlich zu treffende Auswahl hängt von den konkret adressierten Aktivitäten und von den Rand-bedingungen ab. Zu den Randbedingungen gehört beispielweise die Hardware-ausstattung, insb. die getroffene Sensorauswahl oder die verfügbare Prozessorlast. Zusätzlich beeinflussen die Anforderungen, inwieweit die Aktivitäten einmalig oder individuell eingelernt oder modelliert werden sollen. Außerdem macht es einen Unterschied, ob die Aktivitäten zur Laufzeit vom AAL-System identifiziert werden sollen, oder ob eine Analyse im Nachhinein ausreichend ist. Im Anschluss an die Aktivitätenerkennung stellt sich die Frage der automatischen Bewertung oder Aufbereitung der Ergebnisse für entsprechende Zielgruppen unter Berücksichtigung von ethischen Gesichtspunkten. Literatur
Autor
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Zuletzt aktualisiert am Donnerstag, den 22. Dezember 2011 um 12:06 Uhr |
Link
Holger Storf ist Diplom-Medizininformatiker am Fraunhofer-Institut für Experimentelles Software Engineering (IESE) in Kaiserslautern und seit 2007 in verschiedenen nationalen und internationalen Forschungsprojekten im AAL-Bereich mit dem Fokus auf der sensorbasierten Verhaltensanalyse tätig (z.B. Emerge, Rosetta, CCE, ProAssist4Life). Er war Co-Chair des PervaSense-Workshops am Rande der Pervasive Health Conference 2009 – 2011 und ist Mitglied der GMDS und der VDE AAL AG IT.