Resumen de Redes neuronales artificiales para evaluar la calidad de vida
Es un hecho conocido y constatable que la media de edad de la población, sobre todo en las zonas más desarrolladas (como Europa), está creciendo. Los importantes avances en medicina y condiciones higiénicas permiten que las personas mayores vivan cada vez más años. Por otro lado, el modelo familiar está cambiando y actualmente son más los ancianos que viven solos, sin estar a cargo de familiares. En este contexto es evidente que debe haber un mayor esfuerzo en desarrollar propuestas tecnológicas para aumentar la autonomía de los ancianos, así como para evaluar y mejorar su calidad de vida.
La evaluación de la calidad de vida de las personas mayores que viven solas es hoy en día un proceso costoso y altamente subjetivo ya que se basan en la interacción personal mediante entrevistas y visitas de profesionales cualificados. El proyecto europeo Easy Line+ plantea el uso de diversos dispositivos electrónicos y electrodomésticos interconectados entre sí, para, entre otros objetivos, evaluar la calidad de vida de ancianos mediante técnicas de machine learning. En esa línea de trabajo nace esta Tesis, en la cual se proponen nuevas técnicas para incorporar inteligencia, tanto a nivel de “macrointeligencia” (sensores conectados a un computador), como de “microinteligencia” (inteligencia incorporada a un pequeño dispositivo electrónico).
Así, a nivel de macrointeligencia, y como primer resultado de esta Tesis, se presenta la herramienta Quality of Life Evaluation System (QoLES), basada en el uso de Mapas Autoorganizados (SOM, Self-Organizing Maps) que, a partir de datos de sensores diversos desplegados en un hogar, sirve de apoyo en la evaluación de la calidad de vida del usuario y es capaz de proporcionar indicios sobre posibles deterioros en esa persona (por ejemplo, cognitivos o visuales), que son enviados automáticamente a familiares o servicios sociales.
Las conclusiones finales del proyecto Easy Line+ incluían: buenos resultados obtenidos mediante esta metodología a partir de datos tomados por los sensores desplegados en la cocina, la dificultad de convertir este tipo de sistemas en productos comerciales por motivos económicos, así como la conveniencia de aumentar la información captada mediante métodos nuevos. Con estas premisas, y dada la amplia experiencia en cocinado por inducción en el Área de Tecnología Electrónica donde se enmarca esta Tesis, se apostó por dotar a la cocina de una nueva característica, consistente en el conocimiento completo, obtenido a bajo coste, del recipiente colocado sobre el fogón a partir de las formas de onda de tensión y corriente del inductor. De esta manera, la propia cocina de inducción se convertiría en un sensor inteligente (smart sensor) que monitoriza la actividad del usuario, pudiendo conocer, por ejemplo, qué recipiente se está utilizando.
Así, en la segunda parte de esta Tesis se proponen nuevos métodos para la estimación de parámetros físicos de recipientes, tamaño y tipo de material, mediante técnicas basadas en redes neuronales artificiales. Para ello, en primer lugar se propone un novedoso método de preprocesamiento de datos basado en la estimación espectral de las formas de onda en el inductor, que proporciona las entradas que analizará una red neuronal. Todas las nuevas técnicas propuestas están diseñadas con la premisa de que sean implementables en dispositivos electrónicos programables sencillos y baratos (microinteligencia), de modo que se puedan incorporar al control ya existente en las cocinas, haciendo el coste de su inclusión prácticamente nulo.
Por último, se ha propuesto un nuevo algoritmo neuronal llamado Growing Competitive Neural Network (GCNENET), capaz de identificar unívocamente un recipiente sin tener un conocimiento previo de la batería de cocina de la que forma parte. Este clasificador no supervisado modifica su estructura dinámicamente a medida que el usuario utiliza recipientes en la cocina. Su diseño también se ha realizado bajo la premisa de poder ser incorporado en dispositivos programables sencillos y baratos como los actualmente incluidos en las cocinas, por lo que es un algoritmo con bajos requisitos de memoria y velocidad.
Los resultados demuestran que las aplicaciones desarrolladas de estimación de tamaño e identificación de material de un recipiente de cocinado, en términos de error, son mejores que los métodos actualmente utilizados en la industria. Por otro lado, la aplicación del algoritmo GCNENET a la identificación de recipientes individuales es difícil de comparar con otros métodos por su novedad, por lo que se ha hecho una evaluación exhaustiva en condiciones diversas, con resultados positivos.
Haciendo uso de estas nuevas técnicas, la propia cocina de inducción se convierte en un sensor inteligente (sin prácticamente ningún coste adicional), el cual monitoriza la actividad del usuario, pudiendo detectar cambios de hábitos en el mismo y, eventualmente, alertar a sus cuidadores (de la misma manera que se propone en la primera parte de la Tesis) o, incluso, ayudar al usuario que va perdiendo facultades, por ejemplo, proponiendo ciclos de cocinado específicos para cada recipiente (automatic cooking).
En las líneas de trabajo futuro se plantea extender el uso de estas prestaciones a otro tipo de usuario, o incluso su aplicación a otros campos, como la detección de materiales metálicos o al calentamiento industrial por inducción.
