Künstliche Intelligenz (KI) im Smart Home

Künstliche Intelligenz (KI) im Smart Home

Künstliche Intelligenz (KI) im Smart Home

Forschungsbeschreibung KI im Smart Home

In diesem Beitrag wird ein Smart Living System unter Einsatz von künstlicher Intelligenz (KI) beschrieben, welches gesundheitliche Fürsorge, alltägliche Erleichterung von Abläufen durch Selbstorganisation und intelligenter Assistenz sowie Sicherheit zu Hause (Smart Home) bietet. Das Projekt nutzt handelsübliche Gebäudesensorik, wie zum Beispiel Bewegungsmelder, Tast- und Kontaktsensoren sowie zusätzliche neuartige und nichtinvasive Sensorik (exist Forschungstransfer; Universität Karlsruhe (TH); neocor GmbH; 2011), um Verhaltensmuster von Bewohnern und Vitalzeichenkorrelate durch KI zu bewerten (Birkholz, et al., 2012). Die Bewertung der Daten soll sowohl dem Komfort- und Sicherheitsansatz dienen als auch gesundheitliche Veränderungen sowie kritische gesundheitliche Ereignisse frühzeitig detektieren. Das angestrebte System gibt dem Bewohner Hinweise und ermöglicht, sofern erforderlich, eine gezielte Inanspruchnahme des Gesundheitswesens. Die Detektion kritischer Ereignisse soll durch ein nichtinvasives Monitoring von vulnerablen Patienten mit relevanten Grunderkrankungen in einem Kontext ohne unmittelbare medizintechnische Überwachung ermöglicht werden.

kuenstliche-intelligenz-smart-home
Künstliche Intelligenz im intelligenten Haus

Das intelligente Haus von morgen

Unser Verhalten wird von unserer Umwelt als charakteristisch wahrgenommen und ein Befinden abgeleitet, ohne dass wir die einzelnen Bestandteile dieser Außenwirkung oft benennen können. Technische Sensorik kann diese Bestandteile in bestimmten Dimensionen erfassen. Durch Lebenszeichen (bspw. Rumpf- und Extremitätenbewegungsmuster, Atmungsbewegung, Pulskorrelate an der Körperoberfläche, Atemluftexhalation, Geräuschverursachung und Luftbewegung sowie die Nutzung der technischen Einrichtungen eines Gebäudes) entstehen charakteristische Muster, deren Bewertung einer KI auf verschiedenen Ebenen zugänglich ist. Speziell in der Frage des Gesundheitszustandes von Menschen im häuslichen Umfeld sind die Bedingungen zur Erkennung von Veränderungen ungünstig. Ähnlich wie in nicht überwachten Bereichen von Behandlungseinrichtungen (bspw. „Normalstationen“ in Krankenhäusern oder Pflegeheimen) wird der Zustand nur punktuell erfasst. Im Hinblick auf die Kontinuität der Daten sind die Möglichkeiten einer KI-gestützten gesundheitlichen Fürsorge und Pflegeunterstützung immens.

Seit einigen Jahren hat die BUS-Gebäudetechnik (z.B. KNX, LCN, loxone) auch in Wohnbauten Einzug erhalten. In den nächsten zehn Jahren wird dies als Erstausrüstung oder Nachrüstlösung Standard sein. Alle eingesetzten Technologien haben den Zweck, von Sensoren ausgelöste Befehle zu Aktoren umzuleiten, um damit Lichter z.B. zu schalten, Beschattung zu steuern, Temperatur zu regeln oder Einbruchmeldungen zu erhalten – kurz: Leben und Wohnen sicherer und bequemer zu machen. In allen Systemen fließen also Daten von Sensorik zu Aktorik. Diese Daten bleiben derzeit über ihren primären Zweck hinaus ungenutzt. Der Ansatz dieses Projektes zielt darauf ab, diese „kostenlosen“ und bereits vorhandenen Daten detailliert auszuwerten und durch Mustererkennung einen Mehrwert für die Assistenz und Selbstorganisation zu Hause aber auch für die gesundheitliche Fürsorge und Pflegeunterstützung zu gestalten.

Ein modernes Smart Home besitzt somit ein über das rein busgesteuerte Schalten von Aktorik hinausgehendes Potential. Die Menge der Sensorikrohdaten entspricht dem landläufig als „Big Data“ bezeichneten Datenumfang.

Hier bleibt die konkrete Nutzung der verbesserten Mustererkennung zunächst offen – eine verbesserte Sicherheit und Bequemlichkeit von gesunden Bewohnern oder eine durch Krankheit oder Alter veränderte Anforderung an ein Smart Home. Beide Nutzungsoptionen bestehen (Abbildung 3):

kuenstliche-intelligenz-im-intelligenten-haus
kuenstliche-intelligenz-im-intelligenten-haus

Das Alter allein macht Menschen gesundheitlich vulnerabler und wirkt sich nicht nur auf Bewegungsmuster aus. Darüber hinaus aber sind Menschen jeden Alters und mit Erkrankungen durch kritische gesundheitliche Verschlechterungen und Ereignisse gefährdet. Typische Risikokonstellationen bestehen bei Epileptikern und Typ-I-Diabetikern.

Mit intelligenter Verknüpfung und Auswertung mittels KI ist es jetzt schon möglich, dass Bewohner dem allgemein bestehenden Wunsch entsprechend länger im eigenen Haus leben (Abbildung 2).

Wohnformen-im-Alter
Wohnformen-im-Alter

Die aus unterschiedlichen altersbezogenen Lebensbedingungen und Gesundheitssituationen erwachsenden unterschiedlichen Anforderungen an die Funktionalitäten eines Smart Home sind nur scheinbar schlecht vereinbar. Durch Erkennen und Bewerten von Verhaltensmustern und Vitalzeichenkorrelaten durch KI sind Lösungen sehr unterschiedlicher Anforderungen gleichermaßen möglich. Lediglich die Aktion nach Auswertung der Sensordaten gestaltet sich anders. Die eigentliche Sensorik bleibt für alle Anforderungsprofile identisch (vgl. Abbildung 3).

Die identische Technik wird also verwendet, ohne eine notwendige Gesundheitsüberwachung das Leben zu vereinfachen und die Sicherheit im Haus und von unterwegs aus zu erhöhen. Im fortschreitenden Alter oder bei chronischen Erkrankungen passt sich die Technik an die neuen Gegebenheiten an und erweitert den Komfortaspekt um eine zusätzliche gesundheitliche Fürsorge.

Das Projekt möchte darüber hinaus noch spezielle Sensorik mit der Haustechnik verknüpfen, um auch während Schlafphasen eine Erkennung kritischer Ereignisse zu erreichen. Dies soll nichtinvasiv, unbemerkbar und für den Anwender vollständig unbelastend erfolgen. Konventionelle Nutzungen von Smart Home Sensorik und Aktorik unterstützen die Bewohner bereits heute wirksam (vgl. Abbildung 3): Eine Familie baut in jungen Jahren in Badewannenzulauf und -ablauf Temperatursensoren ein. Beim Einlassen des Wassers führt der Anstieg der Temperatur dazu, dass im Badezimmer die „Badeszene“ ausgeführt wird. Es werden die Lichter gedimmt, die Jalousien je nach Außenhelligkeit heruntergefahren, die SONOS®-Musikanlage spielt entspannte Musik und der Heizlüfter heizt den Raum. Beim Ablassen des Wassers wird ein Temperaturanstieg am Abfluss registriert, welcher die „Anziehstimmung“ aktiviert. Die Lichter werden wieder auf maximale Helligkeit gestellt, die Spiegelbeleuchtung aktiviert sich, der Heizlüfter geht aus und die Musik wird aktivierender. Die Technik nimmt also Routinehandlungen ab und bietet Komfort.

Die identische Technik kann in höherem Alter oder bei Krankheit wie folgt genutzt werden: Sobald Wasser eingelassen wird (Temperaturanstieg im Zulauf wird erkannt), beginnt eine Stoppuhr zu laufen. Wird nicht innerhalb einer eingestellten Zeit ein Temperaturgradient beim Ablauf (= Wasser wird ablaufen lassen) erkannt, so beginnen die Lampen im Badezimmer zu blinken. Geht es der badenden Person gut, will nur länger in der Wanne liegen, so bestätigt diese das Blinken und die Stoppuhr wird erneut gestartet. Kann die Person jedoch das Blinken aus gesundheitlichen Gründen nicht bestätigen, so wird die Eskalationsstufe erhöht. Angehörige, Pflegestation etc. wird alarmiert. Gleichzeitig wird die Wohnungstür automatisch entriegelt, um den Zutritt für den Rettungsdienst zu erleichtern.

Lösungsansatz

Ziel dieses Vorhabens ist ein Haus, eine Wohneinheit oder einen abgegrenzten Bereich mit Sensorik, Aktorik und KI so zu gestalten, das sich dieser Bereich in Teilen selbst organisiert, intelligent assistiert, bei An- und Abwesenheit für Sicherheit sorgt, die Gesundheit überwachen kann sowie bei bekannten Krankheiten einen gezielten Schutz bietet (vgl. Abbildung 1). Das Vorhaben wird in drei Bereiche gegliedert, welche im Nachfolgenden beschrieben werden.

Selbstorganisation und Sicherheit im Smart Home sowie intelligente Assistenz zu Hause.

Oftmals sind Bauherren gesunde Menschen, deren Planungen technische Unterstützung bei Alter und Krankheit außer Acht lassen. Daher ist ein Verkaufsargumente für eine Hausbustechnik in den früheren Lebensjahren gewiss nicht die Überwachung der Gesundheit, sondern vielmehr die entstehenden Möglichkeiten, das Leben zu erleichtern, Zeit und Energie zu sparen und die Sicherheit zu erhöhen. Im Hinblick auf die universelle Nutzbarkeit von Sensorik und Aktorik ist es glücklicherweise irrelevant, welche Nutzung für die Hausbustechnik geplant war. Allein die Bewertung der Sensorikdaten durch KI und die vom Nutzer vorgegebene Funktionalität des Gesamtsystems bestimmt über ihren Nutzungsschwerpunkt.

Bei einem Neubau mit Bustechnik kommen vor allem Sensoren zum Schalten von Licht, Beschattung und Raumtemperatur zum Einsatz. Daneben wird ein Großteil der Gebäude mit Präsenzmeldern ausgerüstet. Ist für den Bewohner die Sicherheit ein großes Thema, so werden Fensterkontakte in die BUS-Technik integriert. Temperatursensoren, Lichtsensoren, Geruchs- und Gassensoren sind weitere typische Vertreter der eingesetzten Sensoren in einem Smart Home. In der Zusammenschau der daraus abgeleiteten Sensordaten entsteht ein detailliertes Verhaltensabbild der Bewohner.

Ein erster Meilenstein dieses Vorhaben ist es, nach einer Lernphase von einigen Wochen, Verhaltensmuster sicher zu erkennen. Ein Beispiel: Der Bewohner steht unter der Woche zwischen 7 und 7.30 Uhr auf, geht ins Bad, macht Licht an, geht dann in die Küche, macht die Kaffeemaschine an, schaut, ob alle Lichter aus und alle Fenster zu sind, deaktiviert Musik und verlässt das Haus. Mit der neuen Technik erkennt das System allmählich das Verhalten und kann bereits Dinge vor dem Auslösen durch den Bewohner umsetzen. So können die Lichter angeschaltet und die Jalousien geöffnet werden, bevor die Person aufsteht. Die Kaffeemaschine kann bereits Kaffee kochen und die Sicherheit des Hauses kann automatisch beim Verlassen hergestellt werden. Dies wird möglich, weil dieses Verhalten in der Lernphase von der KI als Muster erkannt wurde. Das System geht aber noch einen Schritt weiter. Es erkennt Veränderungen des Verhaltens und passt sich diesen wieder aufs Neue an. Um dies zu erreichen, werden folgende technische Maßnahmen ergriffen:

In diesem Projekt werden Hausbusdaten zunächst in einer Test- und Trainings-Datenbank gesammelt. Dazu können wir auf einen ausserordentlich großen Datenstamm (> 10.000 Objekte) über die Plattform und Community ioBroker zugreifen, welche (mit Einverständnis der Bewohner) als potenzielle Trainingsdatenbanken zur Verfügung stehen. Auch die beteiligten Unternehmen in der geplanten Umsetzungsphase werden hier ausreichend Daten zur Verfügung stellen können. In einer ersten Analysestufe werden Artefakte erkannt und eliminiert. In der zweiten Stufe werden die Daten vorverarbeitet und relevante Merkmale extrahiert. Je nach System und je nach eingesetzten Sensoren werden überflüssige Merkmale eliminiert beziehungsweise künstlich neue Merkmale generiert. Diese vorverarbeiteten Daten dienen als Eingang für ein künstliches neuronales Netzwerk (Trainingsdaten). In der Lernphase werden keine Aktionen ausgeführt, sondern das System trainiert. Die Sensitivität und Spezifität des Systems und des dahinterliegenden offenen KI-Frameworks werden durch ständiges Weitertrainieren (Feedback-Loops) der täglichen Abläufe der Bewohner verbessert. Nach dem initialen Training über mehrere Wochen laufen die Trainingsphasen und Ausführungsphasen parallel weiter. Der Ablauf ist in Abbildung 4 dargestellt.

kuenstliche-intelligenz-kuenstliches-neueronales-netz
kuenstliche-intelligenz-kuenstliches-neueronales-netz

Abschließendes Ziel soll ein System sein, das unabhängig von der BUS-Technologie und den Aktoren und Sensoren einsetzbar ist. Da es qualitativ und quantitativ unterschiedlich ausgebaute Sensorik in Hausbussystemen gibt, soll das System nicht auf bestimmte Sensordaten angewiesen sein, sondern auch mit unscharfen Sensordaten arbeiten können. Die zur Verfügung stehende Anzahl und Qualität von Sensordaten wird sich lediglich in der Genauigkeit der Vorhersagen für erforderliche Aktorensteuerungen niederschlagen. In der Praxis können Präzisionssteigerungen dann durch einfaches Hinzufügen von bspw. Funk-Sensoren bewirkt werden. Da wir in der Umsetzungsphase besonders die ioBroker-Community, aber auch andere namhafte soziale Medien (wie XING etc.) integrieren wollen, gehen wir davon aus, dass wir sehr schnell und qualitativ hochwertige Diskussionen und Feedback von den „Testnutzern“ erhalten.

Erkennen von Verhaltensänderungen zur intelligenten gesundheitlichen Prävention und Früherkennung

Die Weiterentwicklung von einem reaktiv assistierenden System zu einer proaktiven Mustererkennung kann am Beispiel der Erkennung, Bewertung und geeigneten Kommunikation von Abweichungen vom täglichen Ablauf und festen Gewohnheiten weiter dargestellt werden: Eine alleinlebende ältere Frau hält sich an bestimmten Tagen in der Woche z.B. ca. 60% der Zeit in der Küche auf. In 20% der Zeit befindet sie sich im Wohnzimmer, in 10% der Zeit im Schlafzimmer und in den restlichen 10% hat sie das Haus verlassen. Das System hat das Muster abgebildet, weil das künstliche neuronale Netzwerk dies an den Sensordaten von z.B. Bewegungsmeldern, Türkontakten und Lichtschaltern erlernen konnte. Sofern nun maßgebliche Abweichungen dieses gewohnten Verhaltens auftreten – zum Beispiel befindet sich die Person nun zu 20% im Schlafzimmer und nur noch zu 50% in der Küche (vgl. Abbildung 5) kann dies ein Indiz für eine einsetzende Krankheit sein. Die Entscheidungsinstanz – das künstliche neuronale Netzwerk – würde bei einer als relevant einzustufenden Veränderung dann diese Information zur Pflege- und Betreuungsunterstützung nutzen können, ohne damit jedoch eine Echtzeitüberwachung der Person durch Pflege- und Betreuungspersonen zu verbinden.

Durch die Verwendung herkömmlicher Hausbus-Technik entsteht so eine unauffällige und unaufdringliche alltägliche Begleitung durch das System. Außerdem wird ein Nocebo-Effekt beim Alleinlebenden vermieden. Ihr oder ihm wird kein Gefühl von Krankheit oder Unselbstständigkeit vermittelt. Es ist also kein zusätzliches Echtzeit- „Gesundheitsüberwachungssystem“ erforderlich – die Hard- und Software sind bereits verbaut.

Integration von Medizintechnik in die Gebäudetechnik zur heimischen Gesundheitsfürsorge für die Anwendungsfälle Diabetes, Epilepsie und obstruktivem Schlafapnoesyndrom:

Ergänzend zu der Gesundheitsüberwachung anhand den gewöhnlichen Gebäudesensoren können in speziellen Fällen weitere nicht invasive und indirekte – also nicht direkt mit dem Körper verbundene – med. Sensoren sinnvoll sein. Unsere Motivation ist auch hier, dass diese nicht stetig in Zusammenhang mit der bestehenden Erkrankung wahrgenommen werden. Durch die Ergänzung mit weiterer med. Sensorik soll das auf das hohe Alter ausgerichtete Anwendungsgebiet der heimischen gesundheitlichen Überwachung und Pflegeunterstützung auf häufige und risikoreiche Erkrankungen erweitert werden.

Hierzu werden wir die Sensorik eines in einem kompakten Baumuster als Medizinprodukt zugelassenen Sensors mit nicht linearer Schwingkreis-Technologie einsetzen (exist Forschungstransfer; Universität Karlsruhe (TH); neocor GmbH;, 2011). Diese Sensorik soll die offenkundige nächtliche Lücke bei der gesundheitlichen Überwachung schließen, in dem eine Art „Brustgurt“ um die Matratze gelegt wird. Dieser Gurt ist unauffällig unter dem Spannbetttuch fixiert und erfasst Atemfrequenz, kleinste Körperbewegung und teilweise Pulswellen. Durch die Überwachung der vitalparameterähnlichen Signale kann zum einen generell auf das Vorhandensein von Lebenszeichen während der Schlafphase geachtet werden. Weitere Anwendungsfälle sind die Atemüberwachung während der Nacht bei obstruktivem Schlafapnoesyndrom (OSAS), sowie die Erkennung von Hypoglykämie bei Diabetes oder Erkennung von Epilepsieerkrankung. Eine anderweitige Erfassung von Vitalparametern des schlafenden Menschen ist grundsätzlich möglich, stellt jedoch – wie beispielsweise bei unmittelbarer optischer oder radargestützter Überwachung – einen größeren Eingriff in die Privatsphäre dar. Die Rohdaten des Sensorsystems sind ohne Verarbeitung durch eine KNN-Klassifizierung nicht nutzbar (Fernsner, 2012) (Wettach, 2012). Durch den Einsatz einer KI mit den Sensorikrohdaten werden zunächst Normalzustände einer einschlafenden, schlafenden oder erwachenden Person ermittelt. Abweichungen von diesem Normalzustand oder eindeutige Änderungen werden vom System erkannt und an die Gebäudetechnik weitergegeben, so dass bestimmte Aktionen ausgeführt werden können. Dies kann im einfachsten Fall die Benachrichtigung von weiteren häuslichen Mitbewohnern sein. Es kann aber auch ein direktes Feedback an den Bewohner generiert werden, indem zum Beispiel das Zimmerlicht angeschaltet wird, oder die SONOS®-Anlage die Person aufweckt (Bio-Feedback).