Resumen de Detección de actividades mediante modelos ocultos de Markov jerárquicos

Raúl Gómez Ramos, Jaime Duque Domingo, Eduardo Zalama Casanova, Jaime Gómez García-Bermejo

• español

  En los últimos años, el interés en el desarrollo de tecnologías avanzadas para detectar y analizar las actividades y los patrones de comportamiento de las personas mayores en sus hogares ha crecido, con el objetivo de mejorar su salud y bienestar. Este artículo explora el uso de Modelos Ocultos de Markov Jerárquicos (HHMM) para abordar estos desafíos. Los HHMM permiten la representación y análisis de secuencias temporales de actividades, capturando tanto variaciones a corto plazo como estructuras jerárquicas complejas en los comportamientos humanos. Se presenta una arquitectura que incluye sensores no intrusivos y un robot social para la monitorización y atención de personas mayores en sus viviendas. Se han expuesto los principios matemáticos del modelo HHMM y la ejecución de sus algoritmos de predicción. El sistema ha sido validado en cinco viviendas reales durante dos meses, proporcionando como resultado los patrones de comportamiento de los usuarios con el fin de detectar las posibles anomalías que pueden ocurrir.

• English

  In recent years, interest in the development of advanced technologies to detect and analyse the activities and behavioural patterns of elderly individuals in their homes has grown, with the aim of improving their health and wellbeing. This article explores the use of Hierarchical Hidden Markov Models (HHMM) to address these challenges. HHMMs allow for the representation and analysis of temporal sequences of activities, capturing both short-term variations and complex hierarchical structures in human behaviours. An architecture is presented that includes non-intrusive sensors and a social robot for the monitoring and care of elderly individuals in their homes. The mathematical principles of the HHMM model and the execution of its prediction algorithms are described. The system has been used in five real homes over a period of two months, resulting in the identification oft he users’ behavioural patterns to detect potential anomalies that may occur.