Un approccio di AI privacy-preserving per il monitoraggio domiciliare

L’invecchiamento della popolazione richiede sistemi di monitoraggio domiciliare capaci di supportare la vita indipendente, garantendo sicurezza, tempestività di risposta e rispetto della privacy. In questo contesto, i sensori Passive Infrared (PIR) rappresentano una soluzione promettente per l’Ambient Assisted Living, grazie al basso costo, alla facilità di installazione e al carattere non invasivo. Tuttavia, i loro segnali binari non consentono di interpretare direttamente l’occupazione degli ambienti né di rilevare rapidamente cambiamenti significativi nella routine quotidiana.

Il progetto propone un approccio di AI privacy-preserving articolato su tre livelli: acquisizione tramite sensori PIR, inferenza dell’occupazione ambientale mediante una Finite State Machine e previsione a breve termine dello stato multi-room attraverso un modello Transformer encoder. Lo studio pilota è stato condotto in abitazioni private, dotate di otto sensori PIR distribuiti nelle principali aree della casa per tre mesi. I segnali sono stati preprocessati per ottenere una serie temporale sincronizzata di occupazione multi-room.

Nel dataset analizzato, l’intervallo mediano di campionamento è risultato pari a 30 secondi, corrispondenti a circa 10 campioni per una previsione a 5 minuti. Il modello ha raggiunto un’accuratezza finale dell’89% in training e dell’87% in validazione. Il risultato più rilevante è che, utilizzando esclusivamente sensori PIR e una previsione a 5 minuti, è stato possibile calcolare una discordanza comportamentale a breve latenza, definita come differenza media assoluta tra occupazione prevista e osservata nelle otto stanze. Questa metrica, impiegata per quantificare le deviazioni tra pattern previsti e osservati, ha mostrato di identificare efficacemente cambiamenti nella routine quotidiana e potenziali situazioni di emergenza.

Questi risultati suggeriscono che un sistema basato su sensori di movimento e su un modello Transformer per l’analisi dei pattern abituali e delle discrepanze comportamentali possa costituire uno strumento utile per rilevare variazioni della routine o condizioni di emergenza, contribuendo a migliorare l’assistenza alla popolazione anziana.

Nel complesso, i risultati supportano la fattibilità di un sistema non invasivo e interpretabile per il monitoraggio domiciliare, utile a segnalare precocemente cambiamenti comportamentali meritevoli di attenzione da parte di caregiver o clinici, preservando accettabilità e privacy.