The development of current land ownership patterns

El término Deterioro Cognitivo Asociado a la edad o ARCD por sus siglas en inglés (Age- related Cognitive Decline) ha sido propuesto para indicar un deterioro cognitivo asociado al proceso de envejecimiento. Las personas con ARCD experimentan un deterioro en memoria, ejecución motriz, y rapidez en el procesamiento cognitivo, como aprender, pensar, utilizar el lenguaje y otras funciones mentales. Esto ha ocasionado un deterioro en la calidad de vida percibida por una persona afectando una o más habilidades del cuidado personal y bienestar (Levy, 1994). Esto puede llevar a dificultadas en ejecutar las actividades de la vida diaria (ADL) o las actividades instrumentales de la vida diaria (IADL), como concentrarse en una conversación o recordar que se debe asistir al cumpleaños de un nieto (Oliff, 2005). Más aún, ARCD se ha identificado como el más común e indeseado compañero de la vejez, así como, un indicador importante de problemas de salud que pueden evolucionar a una enfermedad más grave como Demencia

Capítulo IX – Conclusiones y trabajo a futuro

_________________________________________________________________________________________________________ 178

o Alzheimer (Roman, 2003). Ciertamente, cuidar a personas con dichas enfermedades es una responsabilidad que consume mucho tiempo y que normalmente impone sobre los cuidadores estrés físico y emocional. Estos problemas asociados al cuidado de personas con estas enfermedades han llevado a sus cuidadores a cambiar a sus familiares a asilos. Esto ha contribuido al dramático crecimiento del número de asilos para personas con deterioro cognoscitivo (Friedman y Brown, 1999).

Los trabajadores en asilos enfrentan condiciones similares a las del personal en hospitales. Ellos, al igual que el personal médico, son personas altamente móviles que requieren colaborar y coordinar sus actividades consultando y compartiendo documentos distribuidos en espacio y tiempo. Además los asilos utilizan estrategias comunes a aquellas utilizadas en hospitales para detectar los cambios en los patrones de comportamiento de los pacientes. Por ejemplo, diferentes médicos han desarrollado pruebas simples para medir el deterioro cognitivo de los ancianos, identificando las ADLs como “estándares de oro” para medir las habilidades funcionales, así como, indicadores de sus habilidades físicas y cognitivas (Mellor y Hebb, 2004). Sin embargo, monitorear las ADLs ejecutadas por ancianos no es tarea fácil. Por ejemplo, la valoración de estos ancianos es realizada generalmente de manera manual haciendo que esta tarea consuma mucho tiempo y sea propensa a errores (Wilson et. al., 2005). Entonces, estas condiciones de trabajo motivan la creación de nuevas soluciones en apoyo a estos lugares, soluciones que apoyen en la asistencia y en la valoración de ancianos con ARCD.

Para enfrentar esta problemática proponemos explorar cómo el reconocimiento de actividad se puede utilizar para monitorear adecuadamente las ADLs de los ancianos para informar como el ambiente ubicuo puede adaptar su comportamiento facilitando la ejecución natural de dichas actividades y notificando a los cuidadores de comportamientos anormales hacia la asistencia y valoración de personas con ARCD (Favela et. al., 2007). Para esto proponemos tomar como base las herramientas y propuestas desarrolladas en esta tesis y aplicarlas en este ambiente. Es por ello, que establecimos una relación con un asilo localizado aquí en Ensenada: Residencial Lourdes (http://www.residencialourdes.com/english/index.php). Actualmente, en esta residencia

Capítulo IX – Conclusiones y trabajo a futuro

_________________________________________________________________________________________________________ 179

hay 20 pacientes registrados con diferentes grados de deterioro cognitivo, desde pacientes en etapas iniciales hasta aquellos que inclusive ya no pueden caminar o comer solos.

IX.3.2.

Herramientas para la recolección de datos

Uno de los mayores retos que involucra el uso de algoritmos de reconocimiento de patrones es la captura de los datos. Como discutimos en el Capítulo 3, nosotros propusimos una metodología que permite capturar una gran cantidad de información que después se utilizó como datos para entrenar y probar algoritmos de reconocimiento de patrones –para inferir la actividad de un usuario. Sin embargo, el realizar este tipo de estudios requiere de mucho esfuerzo y un nivel de intrusión que no siempre es bienvenido por los informantes. Es por ello que necesitamos desarrollar herramientas que apoyen a los investigadores durante la captura y el análisis de esta información.

Las lecciones aprendidas y los retos que enfrentamos durante el caso de estudio inspiraron el desarrollo de una aplicación consciente del contexto para atacar estos problemas –El Etnógrafo Móvil18. El etnógrafo móvil apoya a los investigadores en la adquisición y materialización de los datos, así como, en el cálculo de estadísticas y análisis. La Figura 56 muestra a un investigador utilizando el etnógrafo móvil para capturar las actividades ejecutadas por una enfermera.

Como se ilustra en la Figura 56, la aplicación permite:

• La captura rápida de información mediante el uso de íconos de acceso directo (ver Figura 56d)

• Asociar contenido a cada registro, por ejemplo, relacionar la información capturada por un investigador (como fotos) con aquélla capturada por otro investigador (ver Figura 56e)

• Permite la captura automática de contexto facilitando la captura y materialización de la información. Como ilustra la Figura 56a, un investigador utiliza un podómetro para la captura automática de pasos.

18

Capítulo IX – Conclusiones y trabajo a futuro

_________________________________________________________________________________________________________ 180

Figura 56. Un investigador observando a una enfermera mientras usa el etnógrafo móvil para capturar los comportamientos

Como trabajo a futuro proponemos el diseño e implementación de diferentes métodos y herramientas que faciliten la adquisición de estos datos. Esta información capturada in situ

puede además utilizarse para realizar otro tipo de análisis, desde el punto de vista social hasta la generación de vectores de entrada para los algoritmos de reconocimiento.

A pesar de que ciertas aplicaciones similares a las del Etnógrafo Móvil, se han implementado (como Noldus), estás no utilizan otro tipo de sensores para apoyar al investigador en la captura. En este caso podríamos crear herramientas que capturen de manera automática información contextual, incluyendo desde la localización de individuos hasta fotos, videos y su interacción con algunos objetos.

Por ejemplo, la Figura 57 muestra dos herramientas que permiten la captura automática de información. La SenseCam (ver Figura 57a) es una cámara digital diseñada para tomar fotografías de manera pasiva, sin la intervención del usuario. A diferencia de una cámara regular, la SenseCam no tiene una pantalla donde el usuario puede ajustar la imagen a ser tomada; en su lugar, tiene un lente de ojo de pescado que maximiza la vista del rango de la imagen. Esto asegura que casi todo a la vista de la persona que usa la SenseCam será capturado por ella. Además, la SensCam contiene un innumerable número de sensores incluyendo los que leen la intensidad de la señal, detector de calor corporal, temperatura y acelerómetros. Estos sensores son los encargados de detectar cambios en el ambiente para

Capítulo IX – Conclusiones y trabajo a futuro

_________________________________________________________________________________________________________ 181

decidir cuando la SensCam deberá tomar una foto. Por ejemplo, si detecta la presencia de una nueva persona se toma una foto. Integrar la SenseCam con herramientas como el etnógrafo móvil permitirá tener otro tipo de datos para realizar análisis, como fotos y video. Particularmente, para inferencia de actividades se podría emplear técnicas de visión para estimar la actividad sobre esta información capturada. El resultado de estas técnicas puede ser además complementado con la información contextual capturada por el etnógrafo móvil –realizando un análisis similar al que nosotros hicimos para la inferencia de actividad (ver Capítulo 4). Otra herramienta que fue desarrollada en Intel es el iBracelt (ver Figura 57). Este bracelete permite detectar los objetos que una persona esta utilizando. Al igual que con la SenseCam, esta información se podría utilizar para enriquecer la inferencia de una actividad.

Figura 57. Herramientas para la recolección de datos in situ (a) La SenseCam (b) El iBracelet

El tener este tipo de herramientas nos permitirá capturar una amplia gama de información que se podrá utilizar después para hacer diferentes experimentos para la estimación de actividades. Esta información podría contribuir a la inferencia de actividades de la siguiente manera:

• Uso del método propuesto en el Capítulo 4 de esta tesis para procesar información contextual capturada por herramientas como el etnógrafo móvil.

• Uso de técnicas de visión para analizar fotografías y video capturada por la SenseCam (o un dispositivo similar)

• Uso de simples reglas para detectar actividad en función a la interacción de una persona y objetos

Capítulo IX – Conclusiones y trabajo a futuro

_________________________________________________________________________________________________________ 182