Sistemas ciberfísicos (CPS) reconfigurables y su aplicación a técnicas de aprendizaje automático para la monitorización de actividades

Abstract

El envejecimiento de la población supone un reto en términos sociales y económicos debido a la necesidad de prestar asistencia de calidad a personas de avanzada edad (o dependientes), más vulnerables. En los últimos años, la evolución de las Tecnologías de la Información y la Comunicación (TIC), el desarrollo del Internet de las Cosas y los dispositivos System-on-Chip (SoC) han fomentado la implementación de sistemas ciberfísicos (Cyber-Physical Systems - CPS). Afortunadamente, estos CPS han facilitado la introducción de soluciones de bajo coste, eficientes y reconfigurables que buscan mitigar los costes del cuidado de la salud y ofrecer una atención personalizada a través del uso de la tecnología. En esta tesis, se propone el diseño y desarrollo de sistemas ciberfísicos reconfigurables que permitan la monitorización de las actividades cotidianas gracias a técnicas de aprendizaje automático optimizadas. Mediante el uso de estos sistemas, se pretende fomentar un estilo de vida saludable y autónomo en personas mayores o con necesidades especiales, que viven solas en sus hogares o en residencias, pudiendo ofrecer además una rápida respuesta ante situaciones de emergencia, por ejemplo, cuando sufren un accidente. El sistema ciberfísico distribuido se adapta automáticamente en tiempo de ejecución para optimizar el rendimiento global del sistema, monitorizando de forma continua diversas calidades a nivel de aplicación y sistema como el rendimiento (fotogramas por segundo - fps), la precisión en el reconocimiento de las acciones o el consumo de energía. La adaptación en tiempo de ejecución se realiza mediante el despliegue automático de diferentes módulos basados en Aprendizaje Profundo en los nodos de procesamiento local. El procesamiento local se realiza en dispositivos empotrados que operan en tiempo real, a pesar de su limitada capacidad de cálculo en comparación con los servidores comunes de alta gama de procesamiento en la nube, garantizando así inherentemente la privacidad de los datos de los sujetos. El diseño de este sistema se compone de dos etapas. Por una parte, se efectúa el desarrollo del módulo de reconocimiento de acciones para monitorizar las rutinas de las personas en su hogar, integrando modelos de Aprendizaje Profundo precisos y eficientes. Para ello, se proponen dos nuevos conjuntos de datos de actividades cotidianas para el marco de aplicación de la asistencia en el hogar, con la finalidad de diseñar soluciones precisas sobre contextos reales. Se evalúa cómo el análisis de información multimodal (vídeo e información de movimiento o pulso cardíaco) contribuye a mejorar la capacidad de reconocimiento general del sistema hasta en un 4% con respecto a solo procesar vídeo, impulsando la identificación de situaciones críticas como las caídas y reduciendo posibles falsas alarmas. Finalmente, para permitir el despliegue de modelos de procesamiento basados en Aprendizaje Profundo precisos en dispositivos empotrados de bajos recursos, se optimizan estos modelos a través de la técnica de destilación de conocimiento. Se estudia cómo es posible mejorar la precisión de arquitecturas eficientes destilando conocimiento a partir de arquitecturas de redes neuronales multimodales (que conjugan vídeo y estimación de movimiento). En concreto, se mejora en un 8,3% el F1-Score de uno de los modelos computacionalmente más eficientes diseñados en esta tesis, alcanzando un rendimiento superior a los 250 fps en el nodo de procesamiento Jetson Nano. Esta optimización permite el análisis en tiempo real de varios sujetos en un mismo nodo de procesamiento de forma concurrente. Los modelos diseñados se integran en el CPS distribuido y reconfigurable con una arquitectura distribuida nodos-nube. Para una gestión eficiente de este CPS distribuido, es necesaria la implementación de una herramienta de Gestión de Calidades y Recursos (Quality and Resource Management - QRM), que tiene como función principal monitorizar y analizar la información generada por el sistema para tomar decisiones de reconfiguración inteligentes. Para esta toma de decisiones, es crítico el diseño de una política de reconfiguración que permita realizar reajustes y modificar el comportamiento del sistema en tiempo de ejecución, para hacer un uso optimizado de los escasos recursos disponibles y a su vez, ofrecer una elevada precisión en la identificación de situaciones críticas. La adaptación automática dota de gran flexibilidad al sistema, permitiendo extender hasta en un 63% el tiempo de operación de la solución con nodos alimentados por baterías y triplicar la confianza de la predicción de situaciones críticas sobre los escenarios evaluados. Además, la asignación eficiente de tareas a recursos y el despliegue de modelos destilados puede llegar a reducir hasta en un 75% los recursos de cómputo necesarios (nodos de procesamiento) para ejecutar la solución.