ES2836878A1 - Metodo y sistema no invasivos para la caracterizacion y certificacion de actividades cognitivas - Google Patents
Metodo y sistema no invasivos para la caracterizacion y certificacion de actividades cognitivas Download PDFInfo
- Publication number
- ES2836878A1 ES2836878A1 ES201931165A ES201931165A ES2836878A1 ES 2836878 A1 ES2836878 A1 ES 2836878A1 ES 201931165 A ES201931165 A ES 201931165A ES 201931165 A ES201931165 A ES 201931165A ES 2836878 A1 ES2836878 A1 ES 2836878A1
- Authority
- ES
- Spain
- Prior art keywords
- signal
- cognitive
- cognitive activity
- characterization
- events
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 138
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000012512 characterization method Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 46
- 239000000126 substance Substances 0.000 claims abstract description 18
- 230000002123 temporal effect Effects 0.000 claims description 52
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 230000007613 environmental effect Effects 0.000 claims description 25
- 238000010801 machine learning Methods 0.000 claims description 20
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 claims description 18
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 18
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 16
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 16
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 230000003750 conditioning effect Effects 0.000 claims description 13
- 238000011161 development Methods 0.000 claims description 13
- 239000000203 mixture Substances 0.000 claims description 10
- 239000012855 volatile organic compound Substances 0.000 claims description 10
- 150000001298 alcohols Chemical class 0.000 claims description 9
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 9
- 239000001569 carbon dioxide Substances 0.000 claims description 9
- 150000002148 esters Chemical class 0.000 claims description 9
- 238000009423 ventilation Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 150000001412 amines Chemical class 0.000 claims description 8
- 229910021529 ammonia Inorganic materials 0.000 claims description 8
- 230000009849 deactivation Effects 0.000 claims description 8
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 7
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 claims description 7
- 239000004202 carbamide Substances 0.000 claims description 7
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 7
- 239000001257 hydrogen Substances 0.000 claims description 7
- 229910052739 hydrogen Inorganic materials 0.000 claims description 7
- 125000004435 hydrogen atom Chemical class [H]* 0.000 claims description 7
- 150000002894 organic compounds Chemical class 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000004378 air conditioning Methods 0.000 claims description 4
- 230000005669 field effect Effects 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 230000001143 conditioned effect Effects 0.000 claims description 2
- 230000008451 emotion Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 abstract description 5
- 230000028327 secretion Effects 0.000 abstract description 5
- 230000035900 sweating Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 13
- 238000012544 monitoring process Methods 0.000 description 8
- 238000002372 labelling Methods 0.000 description 5
- 235000012054 meals Nutrition 0.000 description 4
- 230000007170 pathology Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 210000001331 nose Anatomy 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 229910044991 metal oxide Inorganic materials 0.000 description 2
- 150000004706 metal oxides Chemical class 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000002650 habitual effect Effects 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0438—Sensor means for detecting
- G08B21/0469—Presence detectors to detect unsafe condition, e.g. infrared sensor, microphone
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0001—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00 by organoleptic means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
- A61B2010/0083—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements for taking gas samples
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0438—Sensor means for detecting
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Biochemistry (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Combustion & Propulsion (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Gerontology & Geriatric Medicine (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
Abstract
Método y sistema no invasivos para la caracterización y certificación de actividades cognitivas. La presente invención está dirigida a un método y a un sistema no invasivos para caracterizar y certificar actividades cognitivas mediante la detección de sustancias gaseosas emitidas por un organismo, por medio de la respiración, sudoración y/o secreción, y de cambios medibles por los sensores durante dichas actividades cognitivas. La detección de las sustancias permite caracterizar la señal olfativa para determinar y certificar si una actividad cognitiva ha ocurrido o no y para clasificar dichas señales en diferentes categorías de actividades cognitivas.
Description
DESCRIPCIÓN
MÉTODO Y SISTEMA NO INVASIVOS PARA LA CARACTERIZACIÓN Y
CERTIFICACIÓN DE ACTIVIDADES COGNITIVAS
OBJETO DE LA INVENCIÓN
La presente invención se refiere a un método y a un sistema no invasivos para caracterizar y certificar actividades cognitivas.
ANTECEDENTES DE LA INVENCIÓN
En muchos ámbitos de la actividad humana es necesario caracterizar y certificar la cumplimentación de actividades que requieren esfuerzo cognitivo, tales como rutinas de trabajo, acciones de usuarios/clientes/empleados, exámenes y/o pruebas, entrevistas, rutinas que caracterizan el estado y/o la salud de las personas, etc.
La caracterización y certificación de actividades cognitivas se realiza típicamente por los resultados de la actividad cognitiva, plasmados por ejemplo en un registro/acta de las acciones realizadas, en un texto escrito o mediante una entrevista/reunión. Los resultados son entonces analizados por mecanismos o entidades que habitualmente invaden la privacidad de las personas monitorizadas, por ejemplo, mediante supervisión con cámaras, supervisión con micrófonos, supervisión con sensores de contacto, uso de programas interactivos, presencia de examinadores, etc.
El objetivo de la monitorización de una actividad cognitiva suele ser la evaluación de los resultados de dicha actividad cognitiva, pero muchas veces es necesario caracterizar la actividad y certificar que ha ocurrido realmente, su categoría, su horario/duración, etc. Esto es una necesidad creciente en entornos laborales, comerciales, educativos y domésticos, donde la monitorización de las rutinas y actividades cognitivas normalmente requiere interacción humana o métodos invasivos de la privacidad. Por ejemplo, en un escenario en el que se requiere la monitorización domiciliaria de las actividades cognitivas de un paciente con una determinada enfermedad, son necesarios sistemas de vigilancia invasivos que comprometen su privacidad, como puede ser el caso de cámaras de vigilancia o micrófonos, así como una intervención de profesionales capaces de analizar los datos de los sistemas de vigilancia para
identificar las actividades cognitivas del paciente y detectar así posibles anormalidades relacionadas con patologías o con la evolución hacia la patología, como cambios en las rutinas cognitivas diarias, y también de sueño, higiene o de nutrición.
DESCRIPCIÓN DE LA INVENCIÓN
La presente invención propone una solución a los problemas anteriores mediante un método para caracterizar y certificar actividades cognitivas según la reivindicación 1, un sistema para caracterizar y certificar actividades cognitivas según la reivindicación 17, un sistema de procesamiento de datos según la reivindicación 23, un programa de ordenador según la reivindicación 24 y un medio legible por ordenador según la reivindicación 25. En las reivindicaciones dependientes se definen realizaciones preferidas de la invención.
En un primer aspecto inventivo se proporciona un método para caracterizar y certificar actividades cognitivas por parte de un sistema de caracterización y certificación que comprende:
• un módulo de detección que comprende al menos un elemento de medida de componentes gaseosos configurado para generar al menos una señal de la evolución temporal de al menos un componente gaseoso detectado;
• un módulo de caracterización configurado para caracterizar la al menos una señal generada por el módulo de detección en base a su evolución temporal y para determinar si dicha al menos una señal corresponde al desarrollo de una actividad cognitiva concreta;
en donde el método comprende las siguientes etapas:
a) generar al menos una señal de la evolución temporal de al menos un componente gaseoso detectado mediante el al menos un elemento de medida del módulo de detección durante un periodo de tiempo predeterminado;
b) recibir, por parte del módulo de caracterización, la señal generada;
c) caracterizar la señal en base a su evolución temporal, por parte del módulo de caracterización; y
d) determinar si la señal corresponde al desarrollo de una actividad cognitiva concreta en base al resultado de la caracterización.
El método de la presente invención proporciona un mecanismo no-invasivo para la caracterización y certificación de actividades cognitivas mediante la detección y medida de la
evolución temporal de componentes gaseosos.
Durante la actividad cognitiva, el organismo produce sustancias, hormonas y/o gases de origen orgánico de composición variada (dióxido de carbono, ésteres, acetona, urea, aminas, alcoholes, hidrógeno, amoniaco, metano, monóxido de nitrógeno, monóxido de carbono, y otras mezclas de compuestos orgánicos, como COVs (Compuestos Orgánicos Volátiles), que se liberan al entorno a través de procesos como la respiración, la sudoración y la secreción. El método y el sistema de la presente invención permiten caracterizar la evolución temporal de estos componentes gaseosos y así determinar si se ha llevado a cabo una actividad cognitiva concreta.
En el contexto de la invención, caracterizar una actividad cognitiva ha de entenderse como la identificación de elementos y patrones que permiten describir propiedades específicas de dicha actividad mediante la monitorización de su evolución en el tiempo.
En el contexto de la invención, se certifica la ocurrencia de una actividad cognitiva concreta verificando con los datos obtenidos por el dispositivo que su evolución temporal característica ha tenido lugar.
La actividad cognitiva concreta puede entenderse como perteneciente a una categoría predefinida de actividades cognitivas. Ejemplos de categorías de actividades cognitivas son:
- actividad cognitiva eficaz o que cumple unos objetivos prestablecidos; o
- actividad cognitiva asociada a una emoción que produce la liberación de sustancias detectables por el sistema, preferiblemente agradable, satisfactoria, relajada, desagradable, insatisfactoria o estresante; o
- actividad cognitiva con un grado determinado de atención; o
- actividad cognitiva propia de una rutina de trabajo; o
- actividad cognitiva propia de una rutina educativa; o
- actividad cognitiva propia de una rutina de ocio; o
- actividad cognitiva propia de un examen o prueba; o
- actividad cognitiva propia de una entrevista laboral; o
- actividad cognitiva propia de un estado de salud determinado de un individuo; o - una combinación de cualquiera de las anteriores.
El método y el sistema de la presente invención, además, permiten proteger la privacidad de los sujetos monitorizados, ya que se trabaja con datos ambientales que no identifican a las personas. Ventajosamente, esta certificación no invasiva proporciona una solución técnica a muchas aplicaciones, como el seguimiento de rutinas en contextos laborales, educativos, domiciliarios y de ocio, la caracterización y certificación de procesos cognitivos (tareas, entrevistas, reuniones, procesos de evaluación, etc.) y el seguimiento del estado de salud al verificar el cumplimiento de rutinas cognitivas.
A lo largo del documento, como módulo de caracterización ha de entenderse un conjunto de medios con capacidad para procesar, transmitir y almacenar información; preferiblemente, un ordenador que comprende un procesador, un dispositivo de comunicación y una memoria. Como caracterizar una señal ha de entenderse determinar los atributos de la señal que la hacen única de forma que ésta sea claramente distinguible de otras señales. De manera preferida, la señal se caracteriza en base a su magnitud y estructura temporal, utilizando parámetros tales como la amplitud de la señal, máximos y mínimos de la señal, el valor de la derivada y/o la correlación de la señal con una o varias señales adicionales.
La caracterización de la señal puede implementarse con variables discretas en el tiempo (correspondientes a características específicas y/o etiquetas que ocurren en un instante determinado de la evolución temporal de las señales) y/o con variables continuas (la propia señal o las correspondientes a operaciones cuyo resultado es una función continua que toma valores durante el proceso de adquisición, como el cálculo de la derivada de la señal, el cálculo de la integral de la señal, la combinación de dos o más señales o la correlación de dos o más señales). Como etiqueta ha de entenderse un valor asignado a la señal en un instante de tiempo determinado para distinguirlo del resto de instantes de tiempo y/o contextualizar dicho valor, pudiendo provenir cada etiqueta de un proceso de etiquetado automático. Una misma etiqueta puede asignarse a más de una señal al mismo tiempo para contextualizar dichas señales.
En una realización la etapa d) de determinar si la señal corresponde al desarrollo de una actividad cognitiva concreta comprende realizar una clasificación, una regresión u otro proceso para asociar la estructura temporal de la señal medida a una actividad cognitiva concreta.
En una realización, la etapa (c) comprende identificar al menos un evento temporal en la señal
y la etapa (d) se realiza en base a la secuencialidad de los eventos temporales identificados.
En el contexto de la presente invención se entenderá por "evento temporal” un suceso particular caracterizador de la señal que puede corresponder a un punto o a una región más extensa de la señal. Preferentemente, dichos eventos temporales son la presencia de máximos o mínimos, los valores de pendientes medidas en la señal, la superación de umbrales predefinidos, y/o conjuntos secuenciales de los anteriores que definen una estructura temporal específica. Cada evento temporal se identifica en base a las variables discretas y/o continuas que caracterizan una o varias señales.
Una vez se han identificado los eventos temporales, se determina si las señales corresponden al desarrollo de una actividad cognitiva concreta en función de la estructura temporal de dichos eventos temporales. Por ejemplo, una estructura temporal de eventos temporales podría ser una secuencia de máximos locales seguidos de una superación de un umbral específico. Según ese ejemplo, si se produce dicha secuencia de eventos temporales, el método determina que ha tenido lugar una actividad cognitiva concreta.
La identificación de eventos temporales y su secuencialidad permiten la clasificación de las señales como actividad cognitiva específica o como una familia de actividades cognitivas (por ejemplo reuniones de personas, procesos que requieren estudio/concentración/atención/aprendizaje, procesos que implican evaluación de aprendizaje -examen, test-, cualquier proceso atencional y/o creativo, discusión, etc.), o como una actividad cognitiva con características predefinidas (por ejemplo una actividad agradable).
En una realización, la etapa (c) comprende utilizar al menos un algoritmo de identificación de eventos temporales y de su temporalidad, que utiliza por ejemplo la computación de las derivadas de las señales, detección de máximos/mínimos, detección de superación de umbrales y/o correlación entre señales. Así, las señales se caracterizan en relación a la secuencialidad y temporalidad de los eventos temporales identificados.
Como señales han de entenderse las producidas por los sensores y/o entradas del sistema, incluyendo los que detectan sustancias químicas gaseosas procedentes de la actividad cognitiva y otro tipo de señales como las relativas a condiciones ambientales y/o sucesos externos.
En un ejemplo particular, la identificación de eventos temporales en la señal comprende adicionalmente una etapa de etiquetado de dichos eventos temporales. Como etiquetado, ha de entenderse un proceso de asignar a un evento temporal una etiqueta distintiva de dicho evento temporal.
En una realización particular, si mediante el método se determina que ha tenido lugar una actividad cognitiva, el método adicionalmente comprende una etapa de clasificar las señales en al menos una subcategoría de actividad cognitiva. En esta realización, una vez se ha determinado que ha tenido lugar una actividad cognitiva concreta, de una categoría específica, se realiza una categorización más específica en subcategorías de actividades cognitivas. A continuación se presentan algunos ejemplos de actividades cognitivas concretas y sus posibles subcategorías:
- Categoría: Clase universitaria. Subcategorías: Matemáticas, Literatura, etc.
- Categoría: Examen. Subcategorías: Matemáticas, Economía, etc.
- Categoría: Actividad agradable. Subcategorías: Muy agradable, Poco agradable, etc. - Categoría: Actividad cognitiva eficaz. Subcategorías: Estudios, Debate, Redacción, etc.
- Categoría: Estado de salud. Subcategorías: Bueno, Malo, Progresa positivamente, etc. - Categoría: Actividad cognitiva con un grado determinado de atención. Subcategorías:
Mucha atención, Poca atención, Atención concentrada en un momento determinado.
Durante el transcurso de actividades cognitivas, los elementos de medida del sistema de certificación generan señales asociadas a componentes gaseosos. En dichas señales es posible distinguir y cuantificar diferentes eventos temporales que definen una estructura temporal característica para cada una de dichas actividades cognitivas.
En una realización preferida el sistema comprende un conjunto de elementos de medida configurados para detectar una pluralidad de componentes gaseosos.
En una realización el elemento de medida de componentes gaseosos es un sensor olfativo. De manera preferida, el sensor olfativo está configurado para detectar sustancias emitidas por un organismo por medio de respiración, sudoración y/o secreción. Preferiblemente el sensor olfativo está configurado para detectar al menos una de las siguientes sustancias: dióxido de carbono, ésteres, acetona, urea, aminas, alcoholes, hidrógeno, amoniaco, metano, monóxido de nitrógeno, monóxido de carbono, y otras mezclas de compuestos orgánicos, como COVs.
En una realización preferida más particular, el sistema comprende un elemento de medida de componentes gaseosos que está configurado para detectar dióxido de carbono.
La agregación de sensores olfativos en un dispositivo se denomina habitualmente "nariz artificial” o "nariz electrónica”. Las aplicaciones de las narices artificiales suelen estar orientadas a tareas de detección de umbrales, discriminación/clasificación de olores, sistemas de alerta, etc., y se basan típicamente en medidas puntuales. Por el contrario, la presente invención se basa en el análisis de la estructura temporal de la información registrada por los sensores durante una medición prolongada.
En una realización el sensor olfativo es de cualquiera de los siguientes tipos: quimiorresistivo, quimiocapacitivo, potenciométrico, gravimétrico, óptico, acústico, térmico, polimérico, amperimétrico, cromatográfico, espectrométrico o de efecto campo.
En una realización el módulo de detección comprende adicionalmente al menos un elemento de detección de condiciones ambientales, preferiblemente de humedad, temperatura, presión atmosférica, luminosidad, ruido y/o ventilación. En esta realización el método comprende adicionalmente una etapa para obtener medidas de al menos una magnitud mediante el al menos un elemento de detección de condiciones ambientales y de identificar eventos temporales de la señal asociados a dicha al menos una magnitud. Dichos eventos temporales identificados se utilizan como información adicional durante la etapa de caracterización de la señal.
En una realización el módulo de detección adicionalmente comprende al menos un elemento de registro de eventos externos, preferiblemente de registro de apertura de puertas y/o ventanas, de registro de activación o desactivación de climatización, de registro de activación o desactivación de ventilación, y/o de registro de horarios. En esta realización el método comprende adicionalmente una etapa de identificar eventos temporales de la señal asociados a la presencia de eventos externos. Dichos eventos temporales identificados se utilizan mediante su etiquetado como información adicional durante la etapa de caracterización de la señal.
En una realización preferida más particular, el sistema comprende un elemento de registro de eventos externos que está configurado para registrar la apertura de puertas y/o ventanas.
En un ejemplo particular, la identificación de los eventos temporales asociados a cambios en las condiciones ambientales y/o a eventos externos comprende una etapa de etiquetado de dichos eventos temporales.
Ventajosamente, la detección de condiciones ambientales y/o el registro de eventos externos proporcionan información adicional que permite contextualizar la evolución de la señal registrada, así como correlacionar eventos temporales detectados en la señal con la información obtenida sobre condiciones ambientales y/o la ocurrencia de eventos externos. Esta información de contexto permite determinar con mejores resultados si ha ocurrido o no una determinada actividad cognitiva y/u obtener una clasificación de señales más precisa.
En una realización el sistema comprende adicionalmente un módulo de acondicionamiento configurado para acondicionar la señal generada por el módulo de detección. En esta realización el método adicionalmente comprende, entre las etapas (a) y (b), las etapas de recibir y acondicionar la señal por parte del módulo de acondicionamiento. En esta realización la etapa (c) se realiza sobre la señal generada y acondicionada. En una realización la etapa de acondicionar la señal comprende filtrar y/o muestrear dicha señal.
En una realización las etapas (c) y (d) se realizan mediante un algoritmo de aprendizaje automático previamente entrenado con señales de entrenamiento que corresponden a al menos una actividad cognitiva. En una realización preferida, en dichas señales de entrenamiento, además, se identifican una serie de eventos temporales y de etiquetas predefinidos. Cuando el método ha de clasificar la señal en distintas subcategorías, la clasificación puede realizarse también mediante un algoritmo de aprendizaje automático previamente entrenado con señales de entrenamiento que están clasificadas en al menos una subcategoría de actividad cognitiva predefinida.
En la realización donde las etapas (c) y (d) se realizan mediante un algoritmo de aprendizaje automático, existe una fase de entrenamiento previa, en la que se utilizan señales obtenidas en el registro repetido de una actividad que requiere esfuerzo cognitivo para entrenar el algoritmo de aprendizaje automático, preservando la estructura temporal individual y conjunta de las señales. En una realización preferida, el algoritmo de aprendizaje automático es supervisado y comprende una red neuronal y/o un random forest y/o máquina de soporte vectorial con la codificación y requisitos de temporalidad establecidos por el tipo de clasificador y por las características de las señales que produce el dispositivo. El resultado de
la fase de entrenamiento es un algoritmo capaz de extraer y comparar la estructura temporal de eventos en las señales registradas con su representación de una actividad predefinida.
Una vez construido el algoritmo de aprendizaje automático, puede emplearse para clasificar las señales registradas de acuerdo a sus estructuras temporales en lo que se denomina fase de explotación. El resultado de la fase de explotación es la determinación de si una señal corresponde al desarrollo de una actividad cognitiva específica mediante su clasificación como perteneciente a una categoría determinada de actividades cognitivas. En todas las etapas de procesamiento se conserva la estructura temporal tanto de las señales individuales como la de su representación integrada, ya que la secuencialidad en la evolución de los eventos temporales es fundamental para caracterizar la actividad cognitiva. La temporalidad y/o secuencialidad de los eventos temporales en relación a la determinación de la actividad cognitiva en general no se conoce a priori, y queda representada en el algoritmo de aprendizaje automático con la información adquirida en el entrenamiento.
En un ejemplo particular, existe un proceso de etiquetado automático de todos los tipos de eventos temporales (los correspondientes a las señales procedentes de los sensores olfativos, a cambios en las condiciones ambientales y/o a la presencia de eventos externos). Las etiquetas generadas proporcionan información relevante sobre la propia señal y sobre el contexto de sus eventos para mejorar los resultados de los algoritmos de aprendizaje.
En un ejemplo particular, los resultados del algoritmo de aprendizaje máquina también se etiquetan de forma automática durante la fase de explotación. Gracias a ello, el propio algoritmo de aprendizaje automático se realimenta con dichas etiquetas automáticas de los resultados para, ventajosamente, mejorar la precisión del algoritmo en posteriores ejecuciones del método.
En una realización, la etapa (d) del método comprende comparar la señal con al menos una señal de referencia, preferentemente una señal de referencia codificada en el resultado del algoritmo de aprendizaje utilizado. Por ejemplo, en una red neuronal una vez entrenada, la representación de la señal de referencia queda reflejada en los pesos de las conexiones de la red. Adicional o alternativamente, la comparación con una o varias señales de referencia puede utilizarse para clasificar la señal en al menos una subcategoría de actividades cognitivas.
En una realización, las etapas del método se repiten periódicamente, donde el periodo de repetición es un valor predefinido, para monitorizar las actividades cognitivas detectadas y/o clasificadas. Ventajosamente, el método permite detectar cambios en actividades cognitivas que deberían repetirse periódicamente.
En un ejemplo particular del ámbito de la salud, el método de la invención permite monitorizar enfermedades que producen cambios en las rutinas diarias de las personas, como las enfermedades neurodegenerativas. El método permite caracterizar rutinas diarias relacionadas con actividades cognitivas de un estado saludable (número de comidas y horarios, horas de sueño, horas de ocio y ejercicio físico...) y, al monitorizar las rutinas diarias, permite detectar cambios en dichas rutinas, potencialmente asociados al desarrollo de una patología específica (descenso o aumento del número de comidas, desviaciones de horarios hab itua les.).
En un segundo aspecto inventivo se proporciona un sistema para caracterizar y certificar actividades cognitivas, que comprende:
- un módulo de detección que comprende al menos un elemento de medida de componentes gaseosos configurado para generar al menos una señal de la evolución temporal de al menos un componente gaseoso detectado;
- un módulo de caracterización configurado para caracterizar la al menos una señal generada por el módulo de detección en base a su evolución temporal, para determinar si dicha al menos una señal corresponde al desarrollo de una actividad cognitiva concreta;
y en donde el módulo de caracterización está configurado para llevar a cabo las etapas (b) a (d) del método según cualquiera de las realizaciones del primer aspecto inventivo.
A lo largo del documento, como módulo de caracterización ha de entenderse un conjunto de medios con capacidad para procesar, transmitir y almacenar información; preferiblemente, un ordenador que comprende un procesador, un dispositivo de comunicación y una memoria.
En una realización el sistema comprende adicionalmente un módulo de acondicionamiento configurado para acondicionar la señal generada por el módulo de detección.
En una realización, el módulo de caracterización del sistema adicionalmente está configurado para clasificar la al menos una señal en al menos una subcategoría de actividades cognitivas.
En una realización el sistema comprende:
- al menos un elemento de detección de condiciones ambientales, preferiblemente de humedad, temperatura, presión atmosférica, luminosidad, ruido y/o ventilación; y/o - al menos un elemento de registro de eventos externos, preferiblemente de registro de apertura de puertas y/o ventanas, de registro de activación o desactivación de climatización, de registro de activación o desactivación de ventilación, y/o de registro de horarios.
En una realización preferida más particular, el sistema comprende un elemento de registro de eventos externos que está configurado para registrar la apertura de puertas y/o ventanas.
En una realización, el al menos un elemento de medida de componentes gaseosos es un sensor olfativo. De manera preferida, el sensor olfativo está configurado para detectar sustancias emitidas por un organismo por medio de respiración, sudoración y/o secreción. Preferiblemente, el sensor olfativo está configurado para detectar al menos una de las siguientes sustancias: dióxido de carbono, ésteres, acetona, urea, aminas, alcoholes, hidrógeno, amoniaco, metano, monóxido de nitrógeno, monóxido de carbono, y otras mezclas de compuestos orgánicos, como COVs.
En una realización el sensor olfativo es de cualquiera de los siguientes tipos: quimiorresistivo, quimiocapacitivo, potenciométrico, gravimétrico, óptico, acústico, térmico, polimérico, amperimétrico, cromatográfico, espectrométrico o de efecto campo.
En una realización preferida el sistema comprende una pluralidad de elementos de medida no invasiva configurados para detectar una pluralidad de componentes gaseosos. De manera preferida la pluralidad de elementos de medida está configurada para detectar una o varias de las siguientes sustancias: dióxido de carbono, ésteres, acetona, urea, aminas, alcoholes, hidrógeno, amoniaco, metano, monóxido de nitrógeno, monóxido de carbono, y otras mezclas de compuestos orgánicos, como COVs. Preferentemente, los elementos de medida son sensores olfativos.
En una realización preferida más particular, el sistema comprende un elemento de medida de componentes gaseosos que está configurado para detectar dióxido de carbono.
En un tercer aspecto inventivo se proporciona un sistema de procesamiento de datos que comprende medios para llevar a cabo las etapas (b) a (d) del método según cualquiera de las realizaciones del primer aspecto inventivo.
En un cuarto aspecto inventivo se proporciona un programa de ordenador que comprende instrucciones que, cuando el programa es ejecutado por un ordenador, produce que el ordenador lleve a cabo las etapas del (b) a (d) método según cualquiera de las realizaciones del primer aspecto inventivo.
En un quinto aspecto inventivo se proporciona un medio legible por ordenador que comprende instrucciones que, cuando son ejecutadas por un ordenador, produce que el ordenador lleve a cabo las etapas (b) a (d) del método según cualquiera de las realizaciones del primer aspecto inventivo.
Todas las características y/o las etapas de métodos descritas en esta memoria (incluyendo las reivindicaciones, descripción y dibujos) pueden combinarse en cualquier combinación, exceptuando las combinaciones de tales características mutuamente excluyentes.
DESCRIPCIÓN DE LAS FIGURAS
Estas y otras características y ventajas de la invención, se pondrán más claramente de manifiesto a partir de la descripción detallada que sigue de una forma preferida de realización, dada únicamente a título de ejemplo ilustrativo y no limitativo, con referencia a las figuras que se acompañan.
Figura 1 En esta figura se muestra una representación esquemática del sistema para caracterizar y certificar actividades cognitivas según una realización de la invención.
Figura 2 En esta figura se muestra una representación esquemática del método para caracterizar y certificar actividades cognitivas según una realización de la invención.
Figura 3 En esta figura se muestra un ejemplo de las señales recogidas en el transcurso de una actividad cognitiva en una clase universitaria en dos condiciones
distintas.
EXPOSICIÓN DETALLADA DE LA INVENCIÓN
La presente invención propone un método y un sistema para caracterizar y certificar actividades cognitivas.
El sistema (1) para caracterizar y certificar actividades cognitivas comprende un módulo de detección (2) y un módulo de caracterización (3). El módulo de detección (2) comprende al menos un elemento de medida (2.1) de componentes gaseosos. Los elementos de medida (2.1) detectan sustancias gaseosas producidas por los procesos de sudoración, respiración y/o secreción de los individuos y generan (110) señales (2.2) de la evolución temporal de los componentes gaseosos detectados. El módulo de caracterización (3) recibe (120) las señales (2.2) generadas por el módulo de detección (2), caracteriza (130) las señales (2.2) en base a su evolución temporal, y determina (141) si ha ocurrido una actividad cognitiva concreta de acuerdo a la caracterización.
En esta realización el módulo de caracterización (3) está configurado para determinar (141) si ha ocurrido una actividad cognitiva concreta mediante un procedimiento de clasificación. En otras realizaciones la determinación se lleva a cabo mediante un procedimiento de regresión u otro. Como resultado de la determinación (141), las señales (2.2) quedan categorizadas en al menos una categoría de actividades cognitivas.
Si se determina que una actividad cognitiva concreta ha ocurrido, se certifica (142) dicha actividad cognitiva como existente, verificando así que ha tenido lugar.
En la figura 1 se muestra una representación esquemática del sistema (1) de caracterización y certificación de actividades cognitivas según una realización de la invención. En esta realización, el módulo de detección (2) comprende una pluralidad de elementos de medida (2.1) de componentes gaseosos, elementos de detección (2.3) de condiciones ambientales y elementos de registro (2.4) de eventos externos. Los elementos de medida (2.1) de componentes gaseosos son sensores olfativos. En una realización preferida los sensores olfativos son de tipo metal-óxido (MOX) y non-dispersive infrared (NDIR) y están configurados para registrar sustancias como dióxido de carbono, ésteres, acetona, urea, aminas, alcoholes, hidrógeno, amoniaco, metano, monóxido de nitrógeno, monóxido de carbono, y otras mezclas
de compuestos orgánicos, como COVs. Los elementos de detección (2.3) de condiciones ambientales y los elementos de registro (2.4) de eventos externos proporcionan datos relativos, respectivamente, a las condiciones ambientales y a la ocurrencia de eventos externos durante el transcurso de la actividad cognitiva. Estos datos permiten contextualizar las señales obtenidas por los sensores olfativos para determinar con mejores resultados si ha ocurrido o no una actividad cognitiva concreta.
En esta realización los elementos de detección (2.3) de condiciones ambientales incluyen sensores de temperatura, humedad, presión atmosférica, luminosidad, ventilación y ruido ambiental, mientras que los elementos de registro (2.4) de eventos externos incluyen sensores de presencia (PIR), de vibración y de detección de apertura de ventanas/puertas. A partir de los datos de estos sensores, se contextualizan las señales generando etiquetas de forma automática que proporcionan información relevante sobre el origen y contexto de los eventos; por ejemplo, una etiqueta informando de una subida de la temperatura o una etiqueta indicando la apertura de una ventana.
En la realización de la figura 1 el módulo de caracterización (3) incluye un procesador (7), en particular un microcontrolador, configurado para recibir (120) las señales (2.2) generadas por el módulo de detección (2), para caracterizar (130) las señales (2.2) en base a su evolución temporal y para determinar (141) si una actividad cognitiva concreta ha ocurrido o no en base a la caracterización de las señales (2.2).
En una realización, el procesador (7) está adicionalmente configurado para clasificar las señales (2.2) en al menos una subcategoría de actividades cognitivas y/o para ordenar al módulo de detección (2) que genere las señales (2.2). Si se determina que la actividad cognitiva ha ocurrido, se certifica (142) dicha actividad cognitiva como existente verificando así que ha tenido lugar.
En la realización de la figura 1 el módulo de caracterización (3) incluye adicionalmente un sistema de transmisión inalámbrica (8) y una memoria (9). El sistema de transmisión inalámbrica (8) permite el intercambio de datos con sistemas de procesamiento y/o almacenamiento externos. En una realización preferida el sistema está configurado para transmitir los datos a un servidor centralizado accesible vía web y un API REST, para su almacenamiento. La memoria (9) permite el almacenamiento de datos en el propio sistema (1).
Como API REST ha de entenderse una arquitectura software que actúa como interfaz de comunicación entre dos sistemas que usan HTTP.
El sistema (1) de la figura 1 incluye adicionalmente un módulo de acondicionamiento (4) configurado para acondicionar la señal (2.2) generada por el módulo de detección (2). En una realización preferida el módulo de acondicionamiento (4) incluye uno o varios amplificadores operacionales y uno o varios filtros RLC.
En la realización mostrada en la figura 1, el módulo de detección (2) y el módulo de caracterización (3) están implementados como partes de un único dispositivo y se encuentran alojados en el interior de una envolvente o carcasa (10) junto con el resto de elementos del sistema (1). Sin embargo, en otras realizaciones el módulo de detección (2) y el módulo de caracterización (3) pueden estar implementados como dispositivos separados.
Los elementos de detección (2.3) de condiciones ambientales y los elementos de registro (2.4) de eventos externos pueden:
- encontrarse integrados en el dispositivo único, o
- ser elementos periféricos independientes que se conectan/desconectan del sistema mediante cable, y/o de forma inalámbrica, mediante tecnologías como WiFi, Bluetooth, LoRA, Zigbee o cualquier tipo de conectividad móvil (3G, 4G, 5G...).
La carcasa (10) presenta accesos mediante los cuales se permite la entrada y salida de aire. En la figura 1 estos accesos se han representado mediante líneas discontinuas. En esta realización, el sistema incluye adicionalmente un sistema de captura y acondicionamiento (5) del aire, que permite controlar y modificar variables como la temperatura, humedad y/o flujo del aire que entra al interior de la carcasa (10). En esta realización el sistema incluye adicionalmente un sistema de difusión del aire (6) hacia los sensores olfativos (2.1), hacia los elementos de detección (2.3) de condiciones ambientales y/o hacia los elementos de registro (2.4) de eventos externos. Algunos de dichos sensores, como los de humedad y temperatura, requieren acceso continuo al aire exterior para poder realizar la medición. Este acceso al aire exterior no es necesario para otros sensores, tales como algunos elementos de registro (2.4) de eventos externos.
La figura 2 muestra una representación esquemática del método (100) de caracterización y
certificación de actividades cognitivas según una realización de la invención. Este método (100) comprende las siguientes etapas:
a) generar (110) al menos una señal (2.2) de la evolución temporal de al menos un componente gaseoso detectado mediante el al menos un elemento de medida (2.1) del módulo de detección (2) durante un periodo de tiempo predeterminado;
b) recibir (120), por parte del módulo de caracterización (3), la señal (2.2) generada; c) caracterizar (130) la señal (2.2) en base a su evolución temporal, por parte del módulo de caracterización (3);
d) determinar (141) si la señal (2.2) corresponde al desarrollo de una actividad cognitiva concreta en base al resultado de la caracterización;
e) certificar (142) la ocurrencia de una actividad cognitiva concreta si se determina que la señal (2.2) corresponde a su evolución temporal característica.
Así, se parte del registro de la evolución temporal de las señales de los sensores olfativos (2.1) según lo descrito en relación con la figura 1. En caso de que el sistema (1) incluya elementos de detección (2.3) de condiciones ambientales y/o elementos de registro (2.4) de eventos externos, se utilizan opcionalmente los datos adicionales obtenidos de estos sensores, sincronizando temporalmente estos datos adicionales con las señales de los sensores olfativos (2.1). Como se ha descrito previamente, los datos adicionales proporcionados por elementos de detección (2.3) de condiciones ambientales y/o elementos de registro (2.4) de eventos externos, permiten contextualizar la evolución de las señales olfativas en el transcurso de la actividad cognitiva de forma que se obtienen resultados más precisos en la determinación de la ocurrencia de actividades cognitivas y/o en la clasificación de señales.
En esta realización, se etiqueta la señal olfativa en base a la detección de eventos externos, tal como la detección de la apertura de una puerta o ventana o de la presencia de dispositivos y tráfico de red por Bluetooth, WiFi u otras tecnologías que permitan estimar la ocupación del entorno y conocer si se están empleando los dispositivos para alguna actividad cognitiva, por ejemplo, de ocio. Además, adicionalmente o como alternativa, la señal olfativa puede etiquetarse en base a una condición ambiental detectada, tal como un aumento de temperatura o de presión.
El módulo de caracterización (3) recibe (120) la señal (2.2) generada, la caracteriza (130) en base a su evolución temporal, determina (141) si dicha señal (2.2) corresponde con una
actividad cognitiva concreta mediante su clasificación y, en tal caso, la certifica (142) como existente. Adicionalmente, en una realización dicho módulo vuelve a clasificar la actividad cognitiva en al menos una subcategoría de actividades cognitivas predefinida. En una realización preferida, en primer lugar, se sincronizan en el tiempo y re-muestrean las señales olfativas, adecuándose a la temporización original y al tipo de datos obtenidos (medidas continuas/discretas, etiquetas, etc.). A continuación, se utilizan algoritmos de identificación de eventos temporales en la estructura de las señales y la temporalidad y/o secuencialidad de dichos eventos temporales, por ejemplo, mediante la computación de la derivada de la señal, detección de máximos y/o mínimos en la señal, superación de umbrales predefinidos por parte de la señal, correlación entre señales, etc.
En una realización preferida la caracterización (130) de la señal (2.2), la determinación (141) de si la señal (2.2) corresponde al desarrollo de una actividad cognitiva y la clasificación de dicha señal (2.2) se realizan mediante un algoritmo de aprendizaje automático previamente entrenado. En la fase de entrenamiento previa se alimenta el algoritmo de aprendizaje automático con señales de entrenamiento (3.3) clasificadas en categorías de actividad cognitiva predefinidas, así como con datos adicionales y etiquetas obtenidos durante el registro repetido de dicha actividad cognitiva predefinida. De esta manera se entrena el algoritmo de aprendizaje automático, preservando la estructura temporal individual y conjunta de la información obtenida de los sensores y sus etiquetas. En una realización preferida, el algoritmo de aprendizaje automático es supervisado y está basado en una red neuronal y/o un random forest y/o máquina de soporte vectorial con la codificación y requisitos de temporalidad establecidos. El resultado del entrenamiento es un algoritmo capaz de extraer (131) la estructura temporal de eventos en las señales olfativas (2.2) registradas y de compararla con su representación de actividades cognitivas predefinidas.
Una vez entrenado el algoritmo de aprendizaje automático, al proporcionarle una señal olfativa (2.2) registrada y opcionalmente datos adicionales, el algoritmo de aprendizaje automático es capaz de determinar (141) si una señal corresponde al desarrollo de una actividad cognitiva concreta mediante su clasificación (es decir, clasifica que pertenece a una categoría determinada de actividades cognitivas o identifica que no corresponde a ninguna de dichas actividades cognitivas predefinidas). Adicionalmente, el entrenamiento puede mejorarse realimentando el algoritmo de aprendizaje automático con las etiquetas automáticas de los resultados de dicho algoritmo generadas.
En una realización, la adquisición de datos se realiza durante todo el día y las etapas del método se repiten diariamente con el objetivo de monitorizar las actividades cognitivas detectadas y/o clasificadas.
En un ejemplo particular, el método esquematizado en la figura 2 se emplea para monitorizar el estado de salud de un paciente diagnosticado con Alzheimer temprano. En tal caso, de manera preferida el dispositivo encargado de llevar a cabo la monitorización se instala en distintas habitaciones (habitación, cocina, salón, baño) de la casa del paciente y se conecta a la red WiFi del domicilio. La información se centraliza en un servidor configurado para procesar los datos que recibe. La clasificación de actividades cognitivas se realiza mediante un algoritmo de aprendizaje máquina que requiere una primera fase de entrenamiento. En dicha primera fase de entrenamiento se caracterizan las señales olfativas (2.2) adquiridas resultantes de la actividad diaria del paciente, etiquetando los distintos eventos de su vida diaria que están relacionados con algún o algunos tipos de actividades cognitivas (periodos de sueño, despertar, horario de comidas, ocio, uso de dispositivos electrónicos, interacción con otras personas, uso del baño, etc). Una vez el algoritmo de aprendizaje máquina está entrenado, el dispositivo caracteriza las señales olfativas (2.2) resultantes de las actividades cognitivas del paciente durante los días posteriores, por ejemplo, con una periodicidad diaria, para poder monitorizar cambios en sus rutinas. Por ejemplo, retraso o ausencia de uno o varios eventos (p.e. comidas), trastornos del sueño, cambios en rutinas de ocio habituales... Estos cambios en las rutinas, característicos de la patología, quedarían finalmente certificados por el método y, en caso de detectar problemas, se notificarían a los servicios de salud para que activasen los protocolos oportunos.
La figura 3 muestra un ejemplo de las señales recogidas por los sensores en el transcurso de dos actividades cognitivas desarrolladas en una clase universitaria. Las series temporales que se muestran corresponden a dos actividades en el aula: un examen (línea discontinua) y una presentación de diapositivas (línea continua) en el mismo grupo de personas. Se han considerado fechas próximas y el mismo horario para reducir cualquier tipo de sesgo relativo a las condiciones ambientales exteriores. En particular, las series se corresponden a:
■ Actividad 1: Clase con presentación proyectada (actividad con atención cognitiva moderada).
■ Actividad 2: Examen de la misma asignatura (actividad con atención cognitiva intensa).
Los paneles de la figura 3 muestran la evolución en las señales registradas por 8 sensores
del dispositivo respectivamente:
• 5 sensores olfativos, configurados para detectar CO2 , amoníaco, aminas, metano y mezcla de alcoholes/ésteres/acetona y otras substancias orgánicas, y
• 3 sensores de condiciones ambientales, configurados para detectar humedad, luminosidad y temperatura.
Las señales se corresponden a muestreos cada 5 segundos y fueron adquiridas por el dispositivo de la realización preferente desde una hora previa al comienzo de la actividad cognitiva hasta dos horas y media después del comienzo. El inicio de la actividad cognitiva (comienzo de la clase y del examen) se ilustra en las gráficas con una línea vertical. Las series temporales de todos los sensores han sido alineadas de forma que el comienzo de las dos actividades sea el mismo. Las señales registradas por los sensores incrementan su valor antes del comienzo de la actividad cognitiva por la ocupación gradual del aula.
En los paneles se puede apreciar la distinta evolución temporal de las señales medidas por los sensores en los dos tipos de actividad cognitiva. Se pueden apreciar diferencias significativas en la evolución temporal de las señales (en términos de pendiente, niveles máximos y mínimos, y características de la estructura temporal) de todos los sensores olfativos, siendo menos discriminativo en este ejemplo el sensor que registra la mezcla de alcoholes/ésteres/acetona. Los otros sensores ambientales (humedad, temperatura y luminosidad) proporcionan información adicional que permite contextualizar la evolución temporal de las señales de los sensores olfativos. En una realización, esta contextualización se realiza detectando los eventos de cambio de luminosidad, temperatura y/o humedad para generar las etiquetas relevantes para el módulo de caracterización (3). Por ejemplo, en el panel que muestra la evolución de la luminosidad se aprecia una disminución brusca asociada al apagado de la luz. En este ejemplo, el método generaría una etiqueta de "luz apagada” para contextualizar la información proporcionada por el resto de sensores (inicio/fin de la actividad).
Claims (25)
1. - Método (100) para caracterizar y certificar actividades cognitivas por parte de un sistema (1) de caracterización y certificación que comprende:
• un módulo de detección (2) que comprende al menos un elemento de medida (2.1) de componentes gaseosos configurado para generar al menos una señal (2.2) de la evolución temporal de al menos un componente gaseoso detectado;
• un módulo de caracterización (3) configurado para caracterizar la al menos una señal (2.2) generada por el módulo de detección (2) en base a su evolución temporal y para determinar si dicha al menos una señal (2.2) corresponde al desarrollo de una actividad cognitiva concreta;
en donde el método (100) comprende las siguientes etapas:
a) generar (110) al menos una señal (2.2) de la evolución temporal de al menos un componente gaseoso detectado mediante el al menos un elemento de medida (2.1) del módulo de detección (2) durante un periodo de tiempo predeterminado;
b) recibir (120), por parte del módulo de caracterización (3), la señal (2.2) generada; c) caracterizar (130) la señal (2.2) en base a su evolución temporal, por parte del módulo de caracterización (3); y
d) determinar (141) si la señal (2.2) corresponde al desarrollo de una actividad cognitiva concreta en base al resultado de la caracterización.
2. - Método (100) según la reivindicación anterior, en donde el sistema (1) comprende un módulo de acondicionamiento (4) configurado para acondicionar la señal (2.2) generada por el módulo de detección (2); y en donde el método (100) adicionalmente comprende, entre las etapas (a) y (b), las etapas de recibir y acondicionar la señal (2.2) por parte del módulo de acondicionamiento (4), y en donde la etapa (c) se realiza sobre la señal generada y acondicionada.
3. - Método (100) según la reivindicación anterior, en donde la etapa de acondicionar la señal (2.2) comprende filtrar y/o muestrear dicha señal (2.2).
4. - Método (100) según cualquiera de las reivindicaciones anteriores, en donde las etapas (c) y (d) se realizan mediante un algoritmo de aprendizaje automático previamente entrenado con señales de entrenamiento (3.3) que corresponden a al menos una actividad cognitiva.
5. - Método (100) según cualquiera de las reivindicaciones anteriores, en donde la actividad cognitiva pertenece a una de las siguientes categorías:
- actividad cognitiva eficaz o que cumple unos objetivos prestablecidos; o
- actividad cognitiva asociada a una emoción que produce la liberación de sustancias detectables por el dispositivo, preferiblemente agradable, satisfactoria, relajada, desagradable, insatisfactoria o estresante; o
- actividad cognitiva con un grado determinado de atención; o
- actividad cognitiva propia de una rutina de trabajo; o
- actividad cognitiva propia de una rutina educativa; o
- actividad cognitiva propia de una rutina de ocio; o
- actividad cognitiva propia de un examen o prueba; o
- actividad cognitiva propia de una entrevista laboral; o
- actividad cognitiva propia de un estado de salud determinado de un individuo; o - una combinación de cualquiera de las anteriores.
6. - Método (100) según cualquiera de las reivindicaciones anteriores, en donde el método adicionalmente comprende clasificar, por parte del módulo de caracterización (3), la al menos una señal (2.2) en al menos una subcategoría de actividades cognitivas.
7. - Método (100) según la reivindicación 6, en donde la clasificación de la señal (2.2) se realiza mediante un algoritmo de aprendizaje automático previamente entrenado con señales de entrenamiento (3.3) que están clasificadas en al menos una subcategoría de actividad cognitiva predefinida.
8. - Método (100) según cualquiera de las reivindicaciones anteriores, en donde la etapa (c) comprende identificar (131) al menos un evento temporal (3.2) en la señal (2.2), y en donde la determinación de la etapa (d) se realiza en base a la secuencialidad de los eventos temporales (3.2) identificados.
9. - Método (100) según las reivindicaciones 6 y 8, en donde la clasificación de la señal (2.2) se realiza en base a la secuencialidad de los eventos temporales (3.2) identificados.
10. - Método (100) según cualquiera de las reivindicaciones 8 a 9, en donde los eventos temporales (3.2) detectados en la señal (2.2) comprenden máximos, mínimos, pendientes,
superación de umbrales, y/o conjuntos secuenciales de los anteriores que definen una estructura temporal específica.
11. - Método (100) según cualquiera de las reivindicaciones anteriores, en donde el al menos un elemento de medida (2.1) de componentes gaseosos es un sensor olfativo, estando preferentemente dicho sensor olfativo configurado para detectar al menos una sustancia emitida por un organismo durante una actividad cognitiva; preferiblemente siendo la sustancia al menos una de: dióxido de carbono, ésteres, acetona, urea, aminas, alcoholes, hidrógeno, amoniaco, metano, monóxido de nitrógeno, monóxido de carbono, y otras mezclas de compuestos orgánicos, como COVs (Compuestos Orgánicos Volátiles).
12. - Método (100) según la reivindicación 11, en donde el sensor olfativo es de cualquiera de los siguientes tipos: quimiorresistivo, quimiocapacitivo, potenciométrico, gravimétrico, óptico, acústico, térmico, polimérico, amperimétrico, cromatográfico, espectrométrico o de efecto campo.
13. - Método (100) según cualquiera de las reivindicaciones anteriores, en donde:
- el módulo de detección (2) adicionalmente comprende al menos un elemento de detección (2.3) de condiciones ambientales, preferiblemente de humedad, temperatura, presión atmosférica, luminosidad, ruido y/o ventilación;
- el método (100) adicionalmente comprende una etapa de obtener medidas de al menos una magnitud mediante el al menos un elemento de detección (2.3) de condiciones ambientales y de identificar eventos temporales (3.2) de la señal (2.2) asociados a dicha al menos una magnitud;
- y en donde dichos eventos temporales (3.2) identificados se utilizan como información adicional durante la etapa de caracterización (130) de la señal (2.2).
14. - Método (100) según cualquiera de las reivindicaciones anteriores, en donde:
- el módulo de detección (2) adicionalmente comprende al menos un elemento de registro (2.4) de eventos externos, preferiblemente de registro de apertura de puertas o ventanas, de registro de activación o desactivación de climatización, de registro de activación o desactivación de ventilación, y/o de registro de horarios;
- el método (100) adicionalmente comprende una etapa de identificar eventos temporales (3.2) de la señal (2.2) asociados a la presencia de eventos externos; - y en donde dichos eventos temporales (3.2) identificados se utilizan como información
adicional durante la etapa de caracterización (130) de la señal (2.2).
15. - Método (100) según cualquiera de las reivindicaciones anteriores, en donde la etapa (c) del método (100) comprende comparar la señal (2.2) con al menos una señal de referencia.
16. - Método (100) según cualquiera de las reivindicaciones anteriores, en donde las etapas del método se repiten periódicamente, donde el periodo de repetición es un valor predefinido, para monitorizar las actividades cognitivas detectadas y/o clasificadas.
17. - Sistema (1) para caracterizar y certificar actividades cognitivas, que comprende:
- un módulo de detección (2) que comprende al menos un elemento de medida (2.1) de componentes gaseosos configurado para generar al menos una señal (2.2) de la evolución temporal de al menos un componente gaseoso detectado;
- un módulo de caracterización (3) configurado para caracterizar la al menos una señal (2.2) generada por el módulo de detección (2) en base a su evolución temporal, para determinar si dicha al menos una señal (2.2) corresponde al desarrollo de una actividad cognitiva concreta;
en donde el módulo de caracterización (3) está configurado para llevar a cabo las etapas (b) a (d) del método según cualquiera de las reivindicaciones anteriores.
18. - Sistema (1) según la reivindicación 17, que comprende adicionalmente un módulo de acondicionamiento (4) configurado para acondicionar la señal (2.2) generada por el módulo de detección (2).
19. - Sistema (1) según cualquiera de las reivindicaciones 17 o 18, en donde el módulo de caracterización (3) del sistema (1) adicionalmente está configurado para clasificar la al menos una señal (2.2) en al menos una subcategoría de actividades cognitivas.
20. - Sistema (1) según cualquiera de las reivindicaciones 17 a 19, que comprende:
- al menos un elemento de detección (2.3) de condiciones ambientales, preferiblemente de humedad, temperatura, presión atmosférica, luminosidad, ruido y/o ventilación; y/o - al menos un elemento de registro (2.4) de eventos externos, preferiblemente de registro de apertura de puertas o ventanas, de registro de activación o desactivación de climatización, de registro de activación o desactivación de ventilación, y/o de registro de horarios.
21.- Sistema (1) según cualquiera de las reivindicaciones 17 a 20, en donde el al menos un elemento de medida (2.1) de componentes gaseosos es un sensor olfativo, estando preferentemente dicho sensor olfativo configurado para detectar al menos una sustancia emitida por un organismo durante una actividad cognitiva; preferiblemente siendo la sustancia al menos una de: dióxido de carbono, ésteres, acetona, urea, aminas, alcoholes, hidrógeno, amoniaco, metano, monóxido de nitrógeno, monóxido de carbono, y otras mezclas de compuestos orgánicos, como COVs (Compuestos Orgánicos Volátiles).
22.- Sistema (1) según la reivindicación 21, en donde el sensor olfativo es de cualquiera de los siguientes tipos: quimiorresistivo, quimiocapacitivo, potenciométrico, gravimétrico, óptico, acústico, térmico, polimérico, amperimétrico, cromatográfico, espectrométrico o de efecto campo.
23.- Un sistema de procesamiento de datos que comprende medios para llevar a cabo las etapas (b) a (d) del método (100) según cualquiera de las reivindicaciones 1 a 16.
24. - Un programa de ordenador que comprende instrucciones que, cuando el programa es ejecutado por un ordenador, produce que el ordenador lleve a cabo las etapas del (b) a (d) método (100) según cualquiera de las reivindicaciones 1 a 16.
25. - Un medio legible por ordenador que comprende instrucciones que, cuando son ejecutadas por un ordenador, produce que el ordenador lleve a cabo las etapas (b) a (d) del método (100) según cualquiera de las reivindicaciones 1 a 16.
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| ES201931165A ES2836878B2 (es) | 2019-12-27 | 2019-12-27 | Metodo y sistema no invasivos para la caracterizacion y certificacion de actividades cognitivas |
| PCT/ES2020/070822 WO2021130402A1 (es) | 2019-12-27 | 2020-12-28 | Método y sistema no invasivos para la caracterización y certificación de actividades cognitivas |
| EP20906025.0A EP4083622A4 (en) | 2019-12-27 | 2020-12-28 | NON-INVASIVE METHOD AND SYSTEM FOR THE CHARACTERIZATION AND CERTIFICATION OF COGNITIVE ACTIVITIES |
| US17/757,954 US20230022001A1 (en) | 2019-12-27 | 2020-12-28 | Non-invasive method and system for characterising and certifying cognitive activities |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| ES201931165A ES2836878B2 (es) | 2019-12-27 | 2019-12-27 | Metodo y sistema no invasivos para la caracterizacion y certificacion de actividades cognitivas |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| ES2836878A1 true ES2836878A1 (es) | 2021-06-28 |
| ES2836878B2 ES2836878B2 (es) | 2023-12-21 |
Family
ID=76503850
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES201931165A Active ES2836878B2 (es) | 2019-12-27 | 2019-12-27 | Metodo y sistema no invasivos para la caracterizacion y certificacion de actividades cognitivas |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20230022001A1 (es) |
| EP (1) | EP4083622A4 (es) |
| ES (1) | ES2836878B2 (es) |
| WO (1) | WO2021130402A1 (es) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102008057086A1 (de) * | 2008-11-13 | 2010-05-20 | Siemens Aktiengesellschaft | Gassensoreinrichtung zur Bestimmung menschlicher Aktivität und Anwesenheit |
| EP2946722A1 (en) * | 2014-05-20 | 2015-11-25 | Sensirion AG | Portable electronic device for breath sampling |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3207868A1 (en) * | 2016-02-19 | 2017-08-23 | Patonomics AB | Method and apparatus for identifying a transitory emotional state of a living mammal |
| US11147459B2 (en) * | 2018-01-05 | 2021-10-19 | CareBand Inc. | Wearable electronic device and system for tracking location and identifying changes in salient indicators of patient health |
-
2019
- 2019-12-27 ES ES201931165A patent/ES2836878B2/es active Active
-
2020
- 2020-12-28 EP EP20906025.0A patent/EP4083622A4/en active Pending
- 2020-12-28 US US17/757,954 patent/US20230022001A1/en active Pending
- 2020-12-28 WO PCT/ES2020/070822 patent/WO2021130402A1/es unknown
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102008057086A1 (de) * | 2008-11-13 | 2010-05-20 | Siemens Aktiengesellschaft | Gassensoreinrichtung zur Bestimmung menschlicher Aktivität und Anwesenheit |
| EP2946722A1 (en) * | 2014-05-20 | 2015-11-25 | Sensirion AG | Portable electronic device for breath sampling |
Non-Patent Citations (3)
| Title |
|---|
| FONOLLOSA JORDI ET AL. Human activity monitoring using gas sensor arrays. Sensors and Actuators B: Chemical Elsevier BV, NL. McDonagh Colette; MacCraith Brian, 30/11/0002, Vol. 199, Páginas 398 - 402 ISSN 0925-4005, (DOI: doi:10.1016/j.snb.2014.03.102) resumen; apartados 2, 3 y 4. * |
| KIM JUNG-YOON ET AL. ISSAQ: An Integrated Sensing Systems for Real-Time Indoor Air Quality Monitoring. IEEE SENSORS JOURNAL, 20141201 IEEE SERVICE CENTER, NEW YORK, NY, US. , 01/12/2014, Vol. 14, Páginas 4230 - 4244 ISSN 1530-437X, (DOI: doi:10.1109/JSEN.2014.2359832) véase página 4238, apartado A; figuras 2 y 6. * |
| SHAHARIL MAD SAAD, ALLAN MELVIN ANDREW, ALI YEON MD SHAKAFF, ABDUL RAHMAN MOHD SAAD, AZMAN MUHAMAD YUSOF @ KAMARUDIN, AMMAR ZAKARIA. Classifying Sources Influencing Indoor Air Quality (IAQ) Using Artificial Neural Network (ANN). Sensors, 20/05/2015, Vol. 15, Páginas 11665-11684 [en línea][recuperado el 26/11/2020]. Recuperado de Internet (URL:https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4481943/), 1424-8220, (DOI: doi:10.3390/s150511665) apartados 4.1, 7.3, 6.1; figuras 2 y 3. * |
Also Published As
| Publication number | Publication date |
|---|---|
| ES2836878B2 (es) | 2023-12-21 |
| US20230022001A1 (en) | 2023-01-26 |
| EP4083622A4 (en) | 2024-01-17 |
| EP4083622A1 (en) | 2022-11-02 |
| WO2021130402A1 (es) | 2021-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220262224A1 (en) | Fall detection and reporting technology | |
| Kallio et al. | Assessment of perceived indoor environmental quality, stress and productivity based on environmental sensor data and personality categorization | |
| Zimmermann et al. | Fusion of nonintrusive environmental sensors for occupancy detection in smart homes | |
| Salman et al. | Real time wireless sensor network (WSN) based indoor air quality monitoring system | |
| Gao et al. | Understanding occupants’ behaviour, engagement, emotion, and comfort indoors with heterogeneous sensors and wearables | |
| US10104509B2 (en) | Method and system for identifying exceptions of people behavior | |
| US10943153B2 (en) | Ultrasound analytics for actionable information | |
| Chuah et al. | Smartphone based autism social alert system | |
| US20230333075A1 (en) | Air quality sensors | |
| JP6609087B1 (ja) | 睡眠監視 | |
| ES2836878B2 (es) | Metodo y sistema no invasivos para la caracterizacion y certificacion de actividades cognitivas | |
| CN113693564A (zh) | 基于人工智能的睡眠质量监测方法、装置、设备及介质 | |
| Niu et al. | Recognizing ADLs of one person household based on non-intrusive environmental sensing | |
| Pavel et al. | Mobility assessment using event-related responses | |
| Velicer | Applying idiographic research methods: Two examples | |
| Niu et al. | Integrating environmental sensing and BLE-based location for improving daily activity recognition in OPH | |
| Hanser et al. | Design and real life deployment of a pervasive monitoring system for dementia patients | |
| Wilhelm | Activity-monitoring in Private Households for Emergency Detection: A Survey of Common Methods and Existing Disaggregable Data Sources. | |
| KR20190132865A (ko) | 동작패턴 추적 장치 및 그 방법 | |
| Pnevmatikakis | Recognising daily functioning activities in smart homes | |
| Palumbo et al. | Exploiting BLE beacons capabilities in the NESTORE monitoring system | |
| CN114937482A (zh) | 一种健康档案建立方法、装置、电子设备和存储介质 | |
| JP2021082201A (ja) | 在室の有無を判定する方法、プログラム、判定システム | |
| Hervás et al. | homeSound: A High Performance Platform for Massive Data Acquisition and Processing in Ambient Assisted Living Environments. | |
| Ghosh et al. | OccuCon: A Context-aware Environment Sensing Approach Towards Indoor Occupancy Estimation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| BA2A | Patent application published |
Ref document number: 2836878 Country of ref document: ES Kind code of ref document: A1 Effective date: 20210628 |
|
| FG2A | Definitive protection |
Ref document number: 2836878 Country of ref document: ES Kind code of ref document: B2 Effective date: 20231221 |