Que peut vous dire votre micro-ondes sur votre santé ?
Pour beaucoup d’entre nous, les micro-ondes et les lave-vaisselle ne sont pas la première chose qui nous vient à l’esprit lorsque nous essayons de glaner des informations sur la santé, au-delà de cela, nous devrions (peut-être) laisser tomber les Hot Pockets et vider la vaisselle en temps utile.
Mais nous pourrions bientôt y repenser, grâce aux nouvelles recherches du laboratoire d’informatique et d’intelligence artificielle du MIT (CSAIL). Le système, appelé « Sapple », analyse l’utilisation des appareils ménagers pour mieux comprendre nos habitudes de santé, en utilisant uniquement des signaux radio et un compteur électrique intelligent.
En se basant sur les informations fournies par deux capteurs domestiques, le nouveau modèle d’apprentissage machine examine l’utilisation d’objets de la vie quotidienne comme les micro-ondes, les cuisinières et même les sèche-cheveux, et peut détecter où et quand un appareil particulier est utilisé.
Par exemple, pour une personne âgée vivant seule, l’apprentissage des habitudes d’utilisation des appareils pourrait aider les professionnels de la santé à comprendre leur capacité à effectuer diverses activités de la vie quotidienne, dans le but d’aider à terme à donner des conseils sur les habitudes saines. Il peut s’agir d’hygiène personnelle, d’habillement, d’alimentation, de maintien de la continence et de mobilité.
« Ce système utilise des données de détection passive et n’oblige pas les gens à changer leur mode de vie », explique Chen-Yu Hsu, doctorant au MIT et auteur principal d’un nouvel article sur Sapple. « Il a le potentiel d’améliorer des choses comme les économies d’énergie et l’efficacité énergétique, de nous donner une meilleure compréhension des activités quotidiennes des personnes âgées vivant seules, et de fournir un aperçu de l’analyse comportementale pour les environnements intelligents ».
Parmi les deux capteurs, le « capteur de localisation » utilise des signaux radio pour détecter l’emplacement, et couvre environ 40 pieds, soit assez pour couvrir un appartement typique d’une chambre à coucher. Un utilisateur peut se promener dans son appartement pour installer le capteur, ce qui lui permet de comprendre les limites physiques, puis le capteur peut se limiter à cette zone spécifiée.
Selon l’équipe, le système pourrait être utile pendant la pandémie de Covid-19, où l’on s’intéresse de plus en plus à la détection sans contact des maladies et des comportements. Ils peuvent imaginer d’utiliser les données de capteurs passifs pour libérer les soignants de la nécessité de visiter les populations à haut risque et minimiser le contact global en personne.
Sapple est issu des travaux de recherche de plus en plus nombreux de l’équipe, axés sur l’utilisation de la détection sans fil pour mieux comprendre notre corps humain complexe – comme un capteur « GPS » intégré au corps dans le but de suivre les tumeurs ou de délivrer des médicaments, un système de surveillance sans fil des maladies à domicile et d’aide aux personnes âgées pour « vieillir sur place », et un autre système de mesure de la démarche pour aider à surveiller et diagnostiquer diverses affections.
Des travaux antérieurs sur l’utilisation d’appareils d’apprentissage ont porté sur l’utilisation des données énergétiques d’un compteur de service public. Mais cette approche rend difficile l’extraction de détails, car les données énergétiques sont un mélange de plusieurs modèles d’appareils, tous additionnés les uns aux autres.
Les approches non supervisées – celles dans lesquelles les données de formation ne sont pas étiquetées – supposent que les modèles des appareils individuels sont inconnus. Cependant, comme le compteur d’électricité mesure l’énergie totale utilisée par le foyer, il est très difficile d’apprendre à connaître les appareils individuels ou de les détecter efficacement.
Sapple reste dans le domaine non supervisé : Il ne suppose pas que nous connaissons les habitudes de chaque appareil, mais utilise plutôt les données d’un second capteur pour nous aider à apprendre les habitudes d’utilisation des appareils grâce à l’autosurveillance. Par exemple, le capteur de localisation capte les mouvements d’une personne qui s’approche d’un micro-ondes, y met de la nourriture et l’allume. Le modèle analyse ensuite les données et apprend quand des appareils spécifiques sont allumés et où ils se trouvent dans une maison.
Outre la santé, le saphir pourrait contribuer à réduire notre lourde empreinte sur le monde naturel. En analysant les habitudes d’utilisation des appareils électroménagers dans les foyers, le système pourrait être utilisé pour encourager les comportements d’économie d’énergie et améliorer les prévisions et les livraisons pour les sociétés de services publics.
L’équipe note que l’approche de leur système résout certains des problèmes qui peuvent être délicats pour les capteurs à domicile. Par exemple, l’utilisation des données de localisation n’implique pas toujours l’utilisation d’un appareil, car les gens peuvent se trouver à côté d’un appareil sans l’utiliser. De plus, de nombreux appareils, comme les réfrigérateurs, fonctionnent par cycles et créent des « événements de fond ». Il peut y avoir des données de localisation de plusieurs personnes dans une maison, mais elles ne sont pas toutes liées à l’utilisation des appareils. Sapple résout ces problèmes en apprenant quand les deux flux de capteurs sont liés, et utilise cela pour découvrir quand les appareils sont allumés, et leur emplacement.
« Alors que la localisation intérieure commence à devenir potentiellement aussi courante que le Wi-Fi à l’avenir, l’espoir est que notre technologie puisse être appliquée sans effort à tous les endroits équipés de compteurs d’énergie », déclare Hsu. « Cela pourrait permettre de nouvelles applications pour la détection passive de la santé dans les maisons. Les entreprises de services publics, par exemple, pourraient réduire les pics de demande en fournissant un retour d’information personnalisé, optimiser la production et la distribution d’énergie et, en fin de compte, améliorer l’efficacité énergétique ».
Hsu a écrit cet article aux côtés des doctorants du CSAIL Abbas Zeitoun et Guang-He Lee, ainsi que des professeurs du MIT Dina Katabi et Tommi Jaakkola. Ils ont présenté le document virtuellement à la Conférence internationale sur les représentations de l’apprentissage.
