Nachtelijke onrust herkennen met Wi-Fi en Machine Learning
Met een nieuwe, concrete definitie van nachtelijke onrust op zak (dankzij de inzichten uit mijn vorige blog), kon ik verder met de volgende stap:
Hoe kunnen we deze gedragingen automatisch detecteren, zonder dat daar camera’s of regelmatige controles van zorgmedewerkers voor nodig zijn?
Wi-Fi signalen als onzichtbare sensoren
Onze aanpak? WiFi-signalen!
Voor mijn afstudeeronderzoek ontwikkel ik een model dat nachtelijke onrust probeert te herkennen aan de hand van WiFi.
Elke beweging in een kamer verstoort de manier waarop signalen zich tussen een zender en ontvanger verspreiden. En die verstoring kunnen we meten.
Door deze data te analyseren, proberen we te achterhalen of iemand in bed ligt, opstaat, rondloopt of zelfs valt.
Slimme patronen dankzij kunstmatige intelligentie
Maar hoe haal je betekenis uit honderdduizenden signalen die op het blote oog nauwelijks van elkaar te onderscheiden zijn?
Daar komt kunstmatige intelligentie om de hoek kijken.
Ik verzamelde trainingsdata in een nagebouwde patiëntenkamer, waarin we verschillende vormen van nachtelijke onrust hebben nagebootst:
– Uit bed gaan
– Dwalen
– Vallen
– De kamer proberen te verlaten
Tegelijkertijd legde een kleurencamera (de Azure Kinect) exact vast wat er gebeurde. Deze beelden gebruikte ik om de WiFi-data te controleren met videobeeld, zodat het AI-model kon leren patronen te herkennen en dus gedrag te onderscheiden.
Naar een slim model
De afgelopen tijd stond in het teken van dataverzameling in uiteenlopende omstandigheden en met verschillende proefpersonen.
Zo wordt het model niet alleen slim, maar ook robuust en generaliseerbaar.
Na het verbeteren en finetunen van de modellen, kwam ik uit op een nauwkeurigheid van 81%.
Nog niet perfect, maar absoluut veelbelovend. Het laat zien wat er allemaal mogelijk is met onzichtbare technologie die letterlijk al aanwezig is in veel kamers.
