header-pattern-bg

Aktivitetsigenkänning i smarta hem lyfter livskvaliteten

Del av fokusområde Hälsoinnovation

Med en åldrande befolkning ökar behovet av intelligenta hjälpmedel. Detta för att kunna stötta seniorer i sina hem. Framsteg inom aktivitetsigenkänning, Human Activity Recognition (HAR), gör det möjligt att följa en enskild individs dagliga aktiviteter för att tidigt kunna upptäcka potentiella hälsoproblem – och för att främja ett långt och självständigt liv.

Rebeen Ali Hamad, doktorand vid Högskolan i Halmstad, presenterade sin forskning om HAR-baserade smarta hem den 24 februari, 2022.

Våra resultat kan stötta seniorer att leva ett självständigt liv på egen hand, eftersom HAR möjliggör att vårdpersonal kan följa deras aktivitetsmönster på avstånd.

 

Rebeen Ali Hamad, doktorand

Vad handlar din forskning om?

– Min forskning handlar om att utveckla maskininlärningssystem för att få bättre förståelse för mänskliga aktivitetsmönster i smarta hem. HAR är ett extremt dynamiskt och utmanande forskningsområde som spelar en viktig roll inom smarta hem men också inom andra tillämpningsområden, som exempelvis sjukvård, krislägen och säkerhet. HAR som är installerade i smarta hem lämpar sig bättre än bärbara sensorer med avseende på integritet och användarens acceptans, tack vare dess diskreta och stationära karaktär.

Hur kan forskning om smarta hem gynna samhället?

– Våra resultat kan stötta seniorer att leva ett självständigt liv på egen hand, eftersom HAR möjliggör att vårdpersonal kan följa deras aktivitetsmönster på avstånd.

Vilka har du samarbetat med och vilka slutsatser kan ni dra?

– Jag samarbetade med tre forskare från Jaen Universitet i Spanien. Vi hade ett nytt datadrivet förhållningssätt, så kallad Fuzzy Temporal Windows (FTW), för att generera dataset från råsensordata. Befintliga förhållningssätt inom aktivitetsigenkänning i smarta hem förutser i realtid. Dessa förhållningssätt är inte optimala i kritiska fall, som exempelvis vid diagnostisering av demens, eftersom det krävs mer exakt aktivitetsigenkänning för att upptäcka avvikande beteenden. Med FTW däremot fördröjer vi igenkänningsprocessen och inkluderar sensoraktivitet som uppstår vid tidpunkten efter en händelse. Genom att bearbeta och dela information via ett flertal smarta hem kan vi reducera inlärningstiden och behovet av stora dataset, samtidigt som vi kan öka precisionen för aktivitetsigenkänning.

Rebeen Ali Hamad är doktorand vid Akademin för informationsteknologi på Högskolan i Halmstad och verksam inom Centrum för forskning om tillämpade intelligenta system (CAISR).

Varför valde du att bli doktorand vid Högskolan i Halmstad?

– Jag föddes 1989 i Irak, där jag också tog min kandidatexamen i datavetenskap vid Universitetet i Sulaimani, som följdes av min masterexamen vid Universitetet i Nottingham, England. Jag ville göra min forskarutbildning i Sverige, jag visste bara inte var i landet. Jag hittade äntligen den här utbildningen på Högskolan i Halmstad, som verkade utmärkt och kunskapsrikt inom mitt ämnesområde. Jag kom äntligen till Sverige sommaren 2017.

Hur och när började ditt intresse inom informationsteknologi?

– Mitt intresse inom området väcktes år 2005, när jag gick på gymnasiet. Jag kommer ihåg att jag hade en lektion om hur man använder datorer för olika ändamål, som att redigera bilder i Photoshop.

Vad är dina framtidsplaner?

– Jag vill ta min doktorsexamen och fortsätta inom den akademiska världen, särskilt med inriktning på mänskliga rörelser och interaktioner baserat på sensordata.


Text: KATARINA TRAN
Bild: ISTOCK (toppbild) och ROLAND THÖRNER

Om licentiatseminariet

Uppsatsens titel: Towards Reliable, Stable and Fast Learning for Smart Home Activity Recognition Länk till annan webbplats.

Uppsatsen presenterades via Zoom den 24 februari 2022.

  • Opponent: Katrin Jonsson, docent vid Umeå universitet
  • Examinator: Mark Dougherty, professor vid Högskolan i Halmstad
  • Handledare: Thorsteinn Rögnvaldsson, professor vid Högskolan i Halmstad