DistSense: Sistema Distribuído para Reconhecimento de Atividades em Ambientes Inteligentes

Introdução

Atualmente, numa altura em que Portugal e o mundo enfrentam desafios demográficos e uma população cada vez mais envelhecida, a área da Vida Assistida por Ambiente (Ambient Assisted Living – AAL) surge como uma resposta crucial para melhorar a qualidade de vida e promover a autonomia dos utilizadores. A utilização crescente de sensores audiovisuais em casas inteligentes, para funções como segurança, automação e monitorização da saúde, torna a proteção de dados uma preocupação urgente. Os utilizadores exigem garantias de que a informação sensível captada nas suas residências não será comprometida, acedida por terceiros não autorizados ou utilizada de forma indevida. Esta necessidade de segurança exerce uma pressão substancial sobre os sistemas de captação audiovisual, exigindo abordagens que assegurem a privacidade dos utilizadores e a salvaguarda dos dados. Além disso, é essencial que estes sistemas sejam concebidos tendo em conta a aceitação por parte dos utilizadores, oferecendo transparência, controlo e, ao mesmo tempo, um grau de exatidão adequado na deteção de atividades domésticas. Neste contexto, o sistema DistSense surge como uma resposta inovadora a estes desafios. A adoção de uma rede distribuída Peer-to-Peer (P2P) de sensores domésticos inteligentes, em conjunto com a utilização de uma variedade de tecnologias que priorizam a segurança dos dados dos utilizadores, assegura um processamento eficiente e colaborativo da informação audiovisual. Esta abordagem permite uma redução significativa de falsos positivos na deteção e no reconhecimento de atividades domésticas, especialmente em situações que envolvem oclusão de ângulos, variações de iluminação e ruído acústico. Para validar a eficácia do DistSense, foram realizados testes funcionais a cada módulo implementado e foram investigados dois casos de uso, um em ambiente real e outro em ambiente simulado. Os modelos de áudio e de vídeo treinados apresentaram taxas de exatidão de 88% e 80%, respetivamente. Os resultados obtidos durante a implementação dos casos de uso foram positivos, evidenciando a capacidade do sistema para responder eficazmente às necessidades dos utilizadores em termos de segurança e aceitação, bem como para reduzir incertezas na deteção de atividades domésticas na presença de variações de ruído audiovisual

Desenho de Alto Nível

Os avanços na área da monitorização trouxeram melhorias significativas na recolha e análise de dados de atividade dos utilizadores. Os sistemas de monitorização que adotam uma arquitetura centralizada podem apresentar certas desvantagens, como falta de privacidade, de segurança dos dados e de tolerância a falhas.

Figura 1: Arquitetura Genérica

Neste contexto, é proposta uma abordagem distribuída para proporcionar um sistema seguro e fiável de comunicação e monitorização de dados sensíveis dos utilizadores. A figura acima ilustra uma visão geral da arquitetura proposta nesta investigação, na qual o sistema é composto por nós independentes, designados por peers, que estabelecem ligações entre si para formar uma rede Peer-to-Peer (P2P). O nosso sistema é constituído por quatro módulos principais, cada um com um papel distinto que contribui para o cumprimento global do objetivo. Estes módulos incluem o módulo de descoberta e inicialização, o módulo de comunicação em rede, o módulo de aprendizagem automática e, por fim, o processamento e a representação do conhecimento para o utilizador. Esta arquitetura distribuída permite uma interação descentralizada entre dispositivos, reduzindo os falsos positivos e promovendo maior resiliência e escalabilidade na gestão de dados sensíveis, ao mesmo tempo que reforça a segurança e a confiança no tratamento desta informação

Desenho de Hardware

Em termos de hardware, o sistema requer a utilização de câmaras de vídeo e microfones integrados num microcomputador como o Jetson Nano ou o Raspberry Pi, sendo este último um Computador de Placa Única (Single Board Computer – SBC) que proporciona uma solução compacta, económica e energeticamente eficiente. A capacidade de processamento e as funcionalidades de conectividade destes dispositivos tornam-nos adequados para aplicações de monitorização. A incorporação de microfones e câmaras de vídeo integrados em cada dispositivo inteligente permite a captação direta de imagens e áudio. Posteriormente, é realizado o processamento local da informação captada, o que simplifica a implementação e aumenta a eficiência do sistema.

Avaliação e Resultados

Neste contexto, a avaliação do sistema desenrola-se em três fases distintas, com o objetivo de assegurar a sua capacidade para enfrentar desafios tanto num ambiente controlado como perante as complexidades do mundo real. A primeira fase de testes centra-se na avaliação individual de cada módulo do sistema de segurança. O objetivo é garantir que cada módulo implementado funciona harmoniosamente em conjunto, assegurando a escalabilidade e a eficiência global do sistema, de acordo com as especificações da investigação.

Descrição da Tarefa	Validação
Verificar se cada dispositivo é capaz de identificar novos dispositivos que entram na rede local e de responder de forma eficiente a alterações na rede	Sim
Verificar se cada dispositivo consegue adicionar com sucesso um novo dispositivo à rede, atualizando a sua lista de peers conhecidos	Sim
Verificar se os dispositivos conseguem estabelecer ligações e comunicar entre si	Sim
Verificar se um dos nós é corretamente eleito como coordenador	Sim
Verificar se apenas o nó coordenador consegue comunicar com o Home Assistant	Sim
Verificar se o dispositivo consulta a blockchain caso não atinja um determinado limiar na deteção de atividade	Sim

Na segunda fase, o sistema é submetido a testes que simulam um caso de uso específico: a deteção de riscos domésticos. Este caso de uso envolve situações de risco, como, por exemplo, fugas de água, ou outras ameaças comuns num ambiente doméstico. São realizados testes simulados em ambientes controlados, nos quais os riscos são encenados através de vídeos, sendo avaliada a resposta do sistema. É crucial verificar se o sistema identifica corretamente os riscos simulados e atua de acordo com as diretrizes de segurança estabelecidas. Esta fase permite avaliar os algoritmos e a implementação da lógica de decisão, de modo a assegurar uma deteção precisa e uma resposta eficaz do sistema. Concluiu-se que, através da colaboração, foi possível reduzir os falsos positivos na deteção de riscos, minimizando assim os alertas precoces para o utilizador

Na terceira e última fase, o sistema é submetido a uma avaliação em ambiente real, utilizando dois dispositivos Jetson Nano. São introduzidos vários tipos de ruído e interferências comuns num ambiente doméstico, incluindo ruído de fundo, variações de iluminação, movimentos de animais de estimação e outras condições do mundo real. O objetivo é avaliar o desempenho do sistema em condições mais exigentes, que podem afetar a sua capacidade de detetar riscos e de atuar de forma adequada. Neste caso de uso, a identificação das atividades diárias dos utilizadores surgiu como uma vertente crítica para proporcionar experiências personalizadas e eficientes em ambientes de casas inteligentes. No entanto, é imperativo reconhecer a complexidade ambiental inerente aos contextos domésticos. Estes espaços revelam-se altamente dinâmicos, sendo que múltiplos fatores, como a oclusão dos ângulos de visão, influenciam substancialmente a interpretação das ações dos utilizadores. Além disso, variáveis ambientais, incluindo alterações de iluminação, ruído de fundo e a presença de diversos objetos, contribuem para a complexidade do contexto. Acresce que a variedade de atividades realizadas numa residência e as preferências individuais dos utilizadores aumentam ainda mais a heterogeneidade da tarefa em causa. Neste cenário, a adaptabilidade do sistema é de suma importância. Estes desafios foram ultrapassados através da colaboração entre os nós do sistema, com o objetivo de mitigar estes aspetos e aumentar a exatidão na deteção de atividades domésticas

Descrição da Tarefa	Sem colaboração	Com Colaboração
Ler um livro	24%	82%
Lavar a loiça	78%	N/A

No primeiro cenário (ler um livro), um dos peers responsáveis pela deteção da atividade não conseguiu atingir um nível mínimo de fiabilidade na identificação dessa atividade audiovisual específica, obtendo uma exatidão de aproximadamente 24%. Neste contexto, o nó procurou a colaboração de outro nó que também observava a mesma cena, mas de uma perspetiva diferente, alcançando uma exatidão de aproximadamente 82%. Assim, uma vez que o “NODE-1” não atingiu o limiar mínimo de certeza na deteção da atividade, recorreu à blockchain para obter informação adicional. Por outro lado, no segundo cenário, o sistema demonstrou eficácia na deteção da atividade “Lavar/Limpar a Loiça” do utilizador, alcançando uma exatidão de aproximadamente 78%. Em virtude da deteção bem-sucedida da atividade acima do limiar de precisão estabelecido, o nó responsável procedeu ao registo deste evento na blockchain. Posteriormente, estes dados foram distribuídos pelos peers do nó, para que o evento inserido na blockchain pudesse ser validado por todos os nós da rede. Após esta validação, a informação sobre o evento detetado foi enviada para o Home Assistant (HA) pelo nó coordenador, com o propósito de informar e armazenar estes dados. Este armazenamento permitirá, mais tarde, uma análise mais detalhada das atividades do utilizador ao longo do dia. Estas informações adicionais, obtidas através da consulta da blockchain, permitem ao nó identificar a atividade em curso com maior precisão, mesmo que esta não seja completamente visível ou clara para um único nó. Esta capacidade de cooperar e de consultar fontes externas para melhorar o processo de tomada de decisão num contexto de casa inteligente é particularmente valiosa quando o ambiente está em constante mudança.

Conclusão

Embora a validação do sistema tenha sido alcançada com sucesso através de testes funcionais e da implementação de casos de uso, à medida que a tecnologia continua a avançar e as ciberameaças se tornam mais sofisticadas, a abordagem distribuída adotada no sistema DistSense poderá servir como um estudo interessante para projetos futuros na área da monitorização de ambientes de casas inteligentes, onde o panorama está em contínua evolução. No entanto, é crucial reconhecer que a segurança e a colaboração entre dispositivos são esforços contínuos, exigindo que o sistema seja consistentemente avaliado e atualizado para se manter resiliente face a ameaças em evolução e garantir a segurança contínua dos dados dos utilizadores.