LUISTEREN MAAKT SLIMMER

ONDERZOEK IN DE KIJKER

Het gebruik van Internet of Things (IoT) geconnecteerde toestellen voor binnenhuisapplicaties heeft de afgelopen jaren veel aandacht gekregen. Hiervoor ligt de focus vooral op het gebruik van eenvoudige sensoren om de omgeving te monitoren zoals temperatuur, luchtvochtigheid, passief infrarood, enz. Het gebruik van audiosensoren is daarentegen nagenoeg op de achtergrond gebleven ondanks het feit dat deze ook zeer waardevolle informatie kunnen aanleveren. Lode Vuegen werkt op Campus Geel bij de onderzoeksgroep ADVISE aan een technologie om akoestische gebeurtenissen te modelleren en te classificeren aan de hand van een speciaal daartoe ontwikkeld leeralgoritme. Het artikel dat hij hierover publiceerde in het tijdschrift ‘Journal of the Audio Engineering Society’ (AES) werd uitgeroepen tot ‘the best paper of 2018’.

Lode studeerde in 2012 af als industrieel ingenieur aan Campus Geel. Op 22 oktober 2019 promoveerde hij tot doctor op een proefschrift getiteld ‘Contactless acoustic-based indoor monitoring systems: A study on different acoustic models and learning strategies’ onder het promotorschap van prof. Bart Vanrumste (Campus Groep T) met als copromotoren de professoren Hugo Van Hamme (Faculteit Ingenieurs wetenschappen) en Peter Karsmakers (Campus Geel).

In zijn thesis breekt Lode een lans voor het inzetten van audiosensoren voor het monitoren van binnenhuisomgevingen. “Vandaag de dag kan er op een eenvoudige manier akoestische informatie van de omgeving verzameld worden zonder gebruik te moeten maken van dure acquisitiesystemen”, legt Lode uit. De reden is simpel: akoestische sensoren zijn nu al ingebouwd in televisietoestellen, radio’s, computers, smartphones, enz.”

Lode Vuegen

Geluidsherkenning

Met zijn onderzoek wil Lode op drie manieren bijdragen tot het akoestisch monitoren van binnenhuisomgevingen. Zijn eerste bijdrage heeft betrekking op de automatische herkenning van activiteiten in het dagelijkse leven op basis van akoestische informatie. “Neem nu de ouderenzorg. Aan de hand van de akoestische rapportering van de uitgevoerde activiteiten over een bepaalde periode kan de zorgverlener gemakkelijk een inschatting maken van hoe het met de persoon in kwestie gesteld is. In mijn onderzoek heb ik mij geconcentreerd op het gebruik van bestaande eenvoudige machinale leeralgoritmes die de mogelijkheid bieden naar een integratie in een IoT-module”.

De tweede bijdrage handelt over het modelleren en classificeren van akoestische gebeurtenissen aan de hand van een convolutief leeralgoritme dat aangepast is, zodat het overweg kan met een zgn. zwakke, multi-label supervisie informatie. Wat we ons hierbij moeten voorstellen, legt Lode als volgt uit: “Multi-label betekent dat een akoestisch segment - bijvoorbeeld een geluidsignaal van 30 seconden – meerdere labels mag toegewezen krijgen.

Aan de hand van de akoestische rapportering van de uitgevoerde activiteiten over een bepaalde periode kan de zorgverlener gemakkelijk een inschatting maken van hoe het met de persoon in kwestie gesteld is.

Het kan bijvoorbeeld gaan om het sluiten van een deur, een voetstap, een stem. Zwakke supervisie houdt in dat de labels niet volledig zijn. D.w.z. niet alle geluidsgebeurtenissen die in een segment voorkomen, hoeven een label te krijgen. Verder wordt ook niet aangeduid waar de gebeurtenis zich precies heeft voorgedaan in een bepaald segment. Het voordeel van dit soort labeling is dat de annotatie die nu nog vaak manueel gebeurt veel sneller kan verlopen. De kracht van het convolutief leeralgoritme is dat het onmiddellijk overweg kan met overlappende gebeurtenissen, wat bij de traditionele algoritmes typisch niet het geval is, en dat het ook bestendig is tegen storende geluidsfactoren zoals achtergrondruis. Uit onze experimenten is alvast gebleken dat we op dit punt goed zitten.”

Zelflerend

In het derde deel van zijn onderzoek concentreert Lode zich op de automatische herkenning van personen in een ruimte louter en alleen op basis van de akoestische informatie. “Hiervoor hebben we een zelflerende strategie ontwikkeld die automatisch de interessante geluiden onthoudt die gelinkt kunnen worden aan de aan- of afwezigheid van een persoon. Het zelflerende aspect impliceert dat informatie van andere sensoren gebruikt wordt om het algoritme aan te leren. Wanneer bijvoorbeeld een persoon manueel het licht aanzet, kan het systeem de bijhorende geluiden linken aan aanwezigheid”. De focus tijdens dit onder zoek ligt zich opnieuw op het gebruik van eenvoudige leerstrategieën die lokaal – dicht bij de microfoon – kunnen draaien met weinig rekenkracht en geheugen. “Ook dat is onder controle”, bevestigt Lode. “Het is de bedoeling dat het algoritme geïmplementeerd kan worden op een ingebed systeemplatform, zodat de verwerking van de data lokaal kan gebeuren en geen beroep behoeft op cloud technologieën die steeds een databeveiligingsrisico inhouden”.

Lode is alvast enthousiast over de enorme perspectieven die de akoestische classificatie en monitoring opent in een brede waaier van toepassingen. Over de gezondheidszorg hadden we het al, maar het gaat ook om machine-inspectie, bewaking, tracking van personen en dieren of gewoon het huiselijk comfort. Al weet Lode beter dan wie dan ook dat er her en der opnieuw onheilsprofeten de stem zullen verheffen om de komst van Big Brother aan te kondigen.

Yves Persoons