«Hallo CARU!»

Caru

«Hallo CARU!»

Projekt von: Juhyun Schöbi, Guillaume Azarias, Christophe Bousquet
 
Juhyun Schöbi Guillaume Azarias Christophe Bousquet
Juhyun Schöbi Guillaume Azarias Christophe Bousquet
 



Einleitung

Caru ist eine Voice-First-Lösung, die Autonomie und Sicherheit im Alltag älterer Menschen fördert. Die Benutzer können mit Angehörigen kommunizieren und um Hilfe rufen. Darüber hinaus können Aktivitätsmuster von verschiedenen Sensoren wie CO2, Temperatur, Lärm usw. abgeleitet werden. Wenn Unregelmässigkeiten in den Daten festgestellt werden, benachrichtigt CARU aktiv die Notrufkontakte.

Sicherheit bei älteren Menschen ist gerade jetzt zu Coronazeiten, wo beinahe ganz auf Kontakt und Hilfe von der Familie verzichtet werden muss, ein wichtiges Thema. Durch CARU, den sprachgesteuerten Notruf, kann der Kontakt zur Familie mit integriertem Family Chat fortgeführt werden und die Sicherheit durch Machine Learning gewährleistet werden. CARU erkennt durch fünf eingebaute Sensoren im Gerät (Sprachsteuerung, Licht, CO2, Temperatur und Luftfeuchtigkeit) und die damit verbundene menschliche Aktivität, wenn eine Person Hilfe benötigt und löst das Signal an hinterlegte Kontakte aus, die im Notfall nacheinander angerufen werden.
 
Caru Familienchat
℗ Caru
 

Verwendete Tools und Technologien:

  • Python 
  • Pandas
  • scikit-learn
  • tslearn
  • Matplotlib
  • Streamlit
 

Projektdetails

Da unsere Studenten einen sauberen und strukturierten Datenrahmen erhielten, war die explorative Datenanalyse schnell und unkompliziert. Es wurden mehrdimensionale Darstellungen der Daten erstellt, um sie besser zu verstehen. Die Herausforderung bestand jedoch darin, die Zeitreihendaten in einen beliebigen Index menschlicher Aktivitäten zu übersetzen, da für diesen Zweck noch keine Werkzeuge zur Verfügung standen. Sie nutzten den Stand der Technik der Data-Science-Tools für ergänzende Datenanalysen auf Basis von Machine-Learning-Algorithmen:
 
  • Clustering zwischen den Tagen: Mit Hilfe von k-förmigem Clustering und Dynamic Time Warping war es möglich, Tage mit dem gleichen Gesamtaktivitätsniveau unter Berücksichtigung saisonaler Schwankungen zu gruppieren.
  • Clustering innerhalb eines Tages: Durch manuelle Annotation eines Teils der Daten mit vermeintlichen Aktivitäten und K-Mittel-Clustering war es möglich, die Tage mit höheren oder niedrigeren Aktivitätsniveaus zu bestimmen.
  • Anomalie-Erkennung auf der Grundlage von Zeitreihenprognosen: Das maschinelle Lernprogramm Prophet war darauf zugeschnitten, das normale Verhalten eines Bewohners vorherzusagen und im Falle einer Anomalie zu alarmieren.
 
Mit Hilfe dieser anonymisierten Zeitreihendaten, die vom Gerät alle 20 Sekunden abgefragt werden, werden Korrelationen mit vermeintlichen Aktivitäten hergestellt. Auf diese Weise werden automatische Notrufe ohne die Notwendigkeit, einen Knopf zu drücken, sondern durch maschinelles Lernen bearbeitet.

Während des dreimonatigen Data Science Bootcamps wurde ein tieferes Verständnis der grundlegenden Konzepte in der Datenwissenschaft erworben und die Fähigkeiten in R und Python wurden erweitert und in die Praxis umgesetzt. Alle Datenanalyse-Codes wurden in Jupyter-Notebooks in Python entwickelt, der derzeit beliebtesten Programmiersprache für Machine Learning. Die Studenten verwendeten auch Pandas, das Datenanalyse- und Manipulationswerkzeug für Python, und scikit-learn, das als die umfangreichste Bibliothek für Machine Learning in Python gilt. Scikit-learn wurde für Semi-Supervised und Unsupervised Learning eingesetzt, was in diesem Fall bedeutete, Zeitspannen in aktive und inaktive Phasen zu clustern und die vermutete Aktivität aus unbeschrifteten Daten zu bestimmen. Ausserdem wurde Prophet, die Facebook-Bibliothek für Zeitreihenvorhersage, verwendet, um festzustellen, wann die Aktivitäten vom normalen Tagesmuster abwichen. Es wurde versucht, festzustellen, wann die Aktivitäten vom normalen Tagesmuster abwichen. Um die Ergebnisse zu visualisieren, wurde das Tool Matplotlib verwendet und Streamit für das Prototyping. Ausserdem verwendeten die Studenten Visual Studio und Google Colab, um die Daten lokal und in der Cloud zu verarbeiten. Ihr Projekt wurde komplett aus der Ferne durchgeführt und während eines Webinars präsentiert.
 

Ausblick

Innerhalb des vorgegebenen Zeitrahmens (4 Wochen) deckten die Studenten mehrere Aspekte einer Projektentwicklung ab: Untersuchung der Geschäftsziele, explorative Datenanalyse und auf maschinellem Lernen basierende Datenanalyse (3 sich ergänzende Strategien). Als Erweiterung zur Arbeit wäre die Bereitstellung eines benutzerfreundliches Dashboards denkbar. Letztendlich wird Caru in der Lage sein, diese Ansätze zu nutzen, um die Person in ihrer Wohnung zu kontaktieren oder die Angehörigen zu benachrichtigen, wenn ungewöhnliche Aktivitäten für den Zeitraum festgestellt wurden. Um dies zu erreichen, müssen mehrere Schritte realisiert werden: Bewertung der Robustheit der Algorithmen hinsichtlich der Datenvariabilität, Integration der Algorithmen in das bestehende Backend, Co-Design der UX/UI-Schnittstelle mit dem Team von Caru und Verfeinerung desTools basierend auf dem Feedback der Pflegekräfte. Caru ist derzeit bei vielen Privatpersonen im Einsatz und gilt als treuer, täglicher Begleiter.



Erfahre mehr über Caru hier.
Student

Student

Guillaume Azarias sagt:

Es war spannend, unsere Data-Science-Tools in die Praxis umzusetzen, mit dem primären Ziel, Angehörige bei der Betreuung von älteren Menschen zu unterstützen.

Möchtest du mehr über die finalen Studenten-Projekte erfahren? Dann finde hier weitere spannende Full-Stack und Data Science Projekte.

Mehr Infos
Project work