Melhorando a Rotulagem de Atividades com Sensores Vestíveis

A pesquisa sobre o uso de sensores vestíveis para monitorar atividades humanas tá crescendo rápido. Isso traz muitos benefícios, desde ajudar pacients na saúde até melhorar tarefas no trabalho. Neste estudo, analisamos quatro formas de rotular atividades ao usar esses sensores. Esses métodos se dividem em dois grupos: rotulação no momento, que rola durante a atividade, e rotulação por memória, onde as pessoas lembram das atividades depois.

Nossas descobertas mostram que diferentes métodos de rotulação afetam a qualidade dos dados coletados e como os Modelos de Aprendizado Profundo conseguem trabalhar com esses dados. Especificamente, os métodos no momento produziram menos rótulos, mas mais precisos, comparados aos métodos de memória. Também apresentamos uma ferramenta que combina um diário de atividades com uma forma de visualizar os dados dos sensores. Isso ajudou os participantes a rotularem suas atividades melhor, reduzindo rótulos faltantes e melhorando a qualidade geral dos dados usados para treinar o modelo de aprendizado profundo.

#Importância da Anotação Precisa

Quando gravamos dados dos sensores vestíveis, é crucial ter rótulos precisos. Esses rótulos ajudam pesquisadores e máquinas a entenderem quais atividades foram feitas e quando. Rótulos ruins podem causar problemas na detecção correta das atividades. No mundo real, as pessoas costumam esquecer de anotar o que fizeram, ou podem não lembrar de todos os detalhes. Isso pode dificultar a confiança nos dados coletados.

Nosso estudo enfatiza a necessidade de melhores métodos de rotulação, especialmente quando se trata de reconhecer atividades complexas do dia a dia. A maior parte da pesquisa existente enfocou atividades mais simples em ambientes controlados, onde as condições podem ser gerenciadas. Mas a vida real não é assim. É mais complicada e precisamos de métodos melhores para capturar essa complexidade.

#Configuração do Estudo

Em nosso estudo, onze participantes, principalmente pesquisadores familiarizados com a interpretação de dados, nos ajudaram a testar quatro métodos de anotação diferentes ao longo de duas semanas. Os participantes usaram um tipo específico de smartwatch que gravou dados dos sensores enquanto eles realizavam atividades diárias. Eles usaram os seguintes métodos para rotular suas atividades:

1. Botão no Momento: Os participantes apertavam um botão no smartwatch ao iniciar e parar uma atividade.
2. App no Momento: Os participantes usavam um aplicativo de smartphone para registrar suas atividades em tempo real.
3. Memória Pura: No final de cada dia, os participantes escreviam um diário de atividades, relembrando suas atividades da memória.
4. Ferramenta de Memória Visual: Os participantes combinavam seu diário com uma ferramenta visual que mostrava os dados dos sensores, ajudando-os a lembrar e rotular atividades com precisão.

Na primeira semana, os participantes usaram os três primeiros métodos. Na segunda semana, adicionamos a ferramenta de memória visual, que permitiu que eles vissem seus dados de atividade e fizessem anotações com base nisso.

#Análise dos Métodos de Anotação

Cada método traz resultados diferentes em termos de qualidade e completude dos rótulos. Os métodos no momento forneceram rótulos precisos, mas vieram com o risco de esquecer de apertar o botão ou registrar as atividades. O método de memória, embora mais completo à primeira vista, mostrou fraquezas devido a erros de memória.

Usar a ferramenta de memória visual mostrou resultados promissores, pois os participantes fizeram anotações mais precisas quando puderam inspecionar visualmente seus dados. Esse método ajudou a reduzir o número de anotações faltantes e aumentou a consistência dos rótulos ao longo do tempo. Descobrimos que combinar uma ferramenta visual com um diário é uma forma eficaz de ajudar os participantes a se lembrarem melhor de suas atividades.

#Anotações Faltantes

Um dos maiores desafios que enfrentamos neste estudo foi lidar com anotações faltantes. Rótulos faltantes podem distorcer os resultados e dificultar a compreensão dos dados corretamente. Nossa análise mostrou que usar o método do botão no momento resultou em muitas anotações faltando. Às vezes, os participantes esqueciam de apertar o botão no início ou no final de uma atividade.

Em contraste, o método de memória pura, embora geralmente melhor em evitar anotações faltantes, ainda mostrava imprecisão no timing das atividades. Os participantes tendiam a arredondar estimativas de tempo e registravam suas atividades de uma maneira que não correspondia aos dados reais coletados pelos sensores.

O método de memória visual ajudou a reduzir significativamente o número de rótulos faltantes. Os participantes relataram maior satisfação e se sentiram mais confiantes sobre a precisão de suas anotações quando podiam ver seus dados junto com suas entradas do diário.

#Efeitos nos Modelos de Aprendizado de Máquina

A qualidade dos rótulos influenciou diretamente o desempenho dos modelos de aprendizado profundo. Quando treinamos modelos com anotações de diferentes métodos, notamos que os modelos treinados com métodos no momento tendiam a performar melhor. Em particular, o método do app rendeu o melhor desempenho médio.

Por outro lado, modelos treinados com dados rotulados principalmente por métodos de memória frequentemente tiveram um desempenho pior. Isso sugere que, embora possamos coletar muitos dados, a precisão desses dados é crucial para treinar classificadores de aprendizado de máquina eficazes.

Outra observação foi que a qualidade das anotações às vezes é mais importante do que a quantidade de dados. Um conjunto menor de rótulos de alta qualidade pode levar a um desempenho geral melhor do que um conjunto maior de dados mal rotulados. Portanto, é essencial focar na qualidade dos métodos de coleta de dados em estudos futuros.

#Vieses nos Métodos de Anotação

Diferentes vieses podem surgir dos métodos de anotação escolhidos. Por exemplo, quando os participantes usam métodos de memória, a capacidade deles de lembrar atividades pode variar bastante, levando a inconsistências. Vieses comportamentais também podem ocorrer se os participantes sentirem que estão sendo observados. No entanto, neste estudo, os participantes não foram monitorados de perto, minimizando esse efeito.

O viés de auto-anotação acontece quando os participantes rotulam suas atividades isoladamente, sem qualquer confirmação de outros. Isso pode levar a imprecisões na rotulação. Nossa análise de aprendizado profundo mostrou que o classificador às vezes podia lidar melhor com esse viés do que com os vieses decorrentes de uma memória fraca.

Reconhecer e abordar esses vieses é essencial para melhorar a confiabilidade dos estudos de reconhecimento de atividades.

#Recomendações para Pesquisas Futuras

Baseados em nossas descobertas, recomendamos várias estratégias para melhorar os métodos de rotulação em estudos futuros:

1. Integração de Software: Incorporar uma ferramenta digital que permita aos participantes visualizar seus dados dos sensores pode melhorar a qualidade das anotações. Ensinar os participantes a interpretar seus dados também ajudará a fazer rótulos mais precisos.

2. Soluções Amigáveis ao Usuário: Simplificar o processo de anotação é crucial. Se rotular se tornar muito chato, os participantes podem desistir ou não participar totalmente. Os pesquisadores devem projetar sistemas que sejam fáceis de usar e se integrem nas rotinas diárias dos participantes.

3. Combinação de Métodos: Usar uma combinação de métodos no momento e métodos de memória, especialmente com auxílios visuais, muitas vezes resulta em um desempenho geral melhor. Essa combinação pode levar a anotações mais completas e precisas.

4. Treinamento e Conscientização: Oferecer treinamento para os participantes sobre como interpretar dados de sensores e a importância de rótulos precisos pode levar a resultados melhores. A conscientização sobre os potenciais vieses e seus impactos também pode ajudar os participantes a rotularem suas atividades de forma mais eficaz.

#Conclusão

Rotular atividades humanas usando sensores vestíveis apresenta desafios, mas a qualidade dos métodos de anotação pode fazer uma grande diferença. Nosso estudo destaca a importância de encontrar maneiras de melhorar a precisão e a consistência dos rótulos.

Descobrimos que uma combinação de métodos no momento e de memória, especialmente quando emparelhada com dados visuais, fornece os melhores resultados. Melhorar nossos métodos de anotação é crucial para avançar a pesquisa nesta área e aproveitar efetivamente o aprendizado de máquina para reconhecer atividades humanas complexas.

As descobertas deste estudo servem como um guia para pesquisas futuras criar sistemas melhores para reconhecimento de atividades que possam se adaptar às complexidades dos ambientes da vida real. Investindo em melhores ferramentas e métodos de anotação, podemos melhorar a qualidade e utilidade dos dados coletados pelos sensores vestíveis.