Enhancement of process mining with machine learning for identification of patterns in human behavior

Abstract

The study of human behavior is a broad and interdisciplinary field. A variety of research methods has been employed in order to gain insights into the complexities of human actions. The process of identifying and classifying specific activities or actions that individuals perform based on data collected from sensors is a rapidly evolving field that benefits from several technologies which provide the necessary tools for collecting, processing, and analyzing data related to human movements and behaviors. The combination of sensor data and Machine Learning algorithms, enable analyzing data using Human Activity Recognition (HAR) techniques, which yield valuable insights into behavior, preferences, and daily routines as well as identify human behavior disorders, anomalies and patterns. This is particularly crucial for promoting healthier and more independent living, aiding those with disabilities, and providing support to caregivers and medical professionals. Α field that has contributed significantly to the effort to achieve these goals is the Process Mining field. Process mining relies on event logs, enables the analysis of them, offering insights into the workflow and sequence of activities. As human behavior is not structured enough to be represented using a process model, more robust techniques need to be incorporated within process mining. Change Point Detection emerges as a potential tool for identifying disorders in human behavior and along with Clustering methods which are effectively applied to categorize and group diverse human activities seem to be a solution to the aforementioned challenge. This research work aims to develop an advanced framework that combines Process Mining techniques, Change Point Detection, and Clustering methods to achieve a holistic analysis of human behavior patterns. The study explores the integration of these diverse techniques to enhance the understanding of complex human activities, with a specific focus on identifying patterns and deviations indicative of potential disorders. Human activities are represented in a sequential manner. By using also unsupervised Machine Learning techniques, which enable handling and analyzing the inherent variability in human behavior, makes it possible to identify and detect changes throughout the dynamic process. The experiments reveal that the proposed framework effectively identifies anomalies or disorders in human behavior and offers insights into the workflow and sequence of activities. Furthermore, it facilitates the discovery and modeling of behavioral patterns, along with the identification of deviations in human activities, which is crucial for analyzing unstructured human behaviors.

Η μελέτη της ανθρώπινης συμπεριφοράς είναι ένα ευρύ και διεπιστημονικό πεδίο. Μια ποικιλία μεθόδων έρευνας έχει χρησιμοποιηθεί για την απόκτηση γνώσεων σχετικά με την πολυπλοκότητα των ανθρώπινων δραστηριοτήτων. Η διαδικασία αναγνώρισης και ταξινόμησης συγκεκριμένων δραστηριοτήτων ή ενεργειών που εκτελούν τα άτομα με βάση δεδομένα που συλλέγονται από αισθητήρες είναι ένα ταχέως εξελισσόμενο πεδίο που επωφελείται από διάφορες τεχνολογίες που παρέχουν τα απαραίτητα εργαλεία για τη συλλογή, την επεξεργασία και την ανάλυση δεδομένων που σχετίζονται με ανθρώπινες δραστηριότητες και συμπεριφορές. Ο συνδυασμός δεδομένων αισθητήρων και αλγορίθμων Μηχανικής Μάθησης επιτρέπει την ανάλυση δεδομένων χρησιμοποιώντας τεχνικές Αναγνώρισης Ανθρώπινης Δραστηριότητας (HAR), οι οποίες παρέχουν πολύτιμες πληροφορίες για τη συμπεριφορά, τις προτιμήσεις και τις καθημερινές ρουτίνες, καθώς και τον εντοπισμό διαταραχών, ανωμαλιών και προτύπων ανθρώπινης συμπεριφοράς. Αυτό είναι ιδιαίτερα σημαντικό για την προώθηση μιας πιο υγιούς και πιο ανεξάρτητης διαβίωσης, την παροχή βοήθειας σε άτομα με αναπηρίες και την παροχή υποστήριξης σε φροντιστές και επαγγελματίες υγείας. Ένας τομέας που έχει συμβάλει σημαντικά στην προσπάθεια επίτευξης αυτών των στόχων είναι ο τομέας Εξόρυξης Διεργασιών. Η εξόρυξη διεργασιών βασίζεται σε αρχεία καταγραφής γεγονότων, επιτρέπει την ανάλυσή τους, προσφέροντας πληροφορίες για τη ροή εργασίας και τη σειρά των δραστηριοτήτων. Καθώς η ανθρώπινη συμπεριφορά δεν είναι αρκετά δομημένη ώστε να αναπαρασταθεί χρησιμοποιώντας ένα μοντέλο διαδικασίας, πρέπει να ενσωματωθούν πιο ισχυρές τεχνικές στο πλαίσιο της εξόρυξης διεργασιών. Η ανίχνευση σημείων αλλαγής αναδεικνύεται ως ένα πιθανό εργαλείο για τον εντοπισμό διαταραχών στην ανθρώπινη συμπεριφορά και μαζί με τις μεθόδους Ομαδοποίησης που εφαρμόζονται αποτελεσματικά για την κατηγοριοποίηση και την ομαδοποίηση διαφορετικών ανθρώπινων δραστηριοτήτων φαίνεται να αποτελούν λύση στην προαναφερθείσα πρόκληση. Αυτή η ερευνητική εργασία στοχεύει στην ανάπτυξη ενός προηγμένου πλαισίου που συνδυάζει τεχνικές εξόρυξης διεργασιών, μεθόδους ανίχνευσης σημείων αλλαγής και ομαδοποίησης για να επιτύχει μια ολιστική ανάλυση των προτύπων ανθρώπινης συμπεριφοράς. Η μελέτη διερευνά την ενσωμάτωση αυτών των διαφορετικών τεχνικών για την ενίσχυση της κατανόησης περίπλοκων ανθρώπινων δραστηριοτήτων, με ιδιαίτερη έμφαση στον εντοπισμό προτύπων και αποκλίσεων ενδεικτικών πιθανών διαταραχών. Οι ανθρώπινες δραστηριότητες αναπαρίστανται με διαδοχικό τρόπο. Χρησιμοποιώντας επίσης μη εποπτευόμενες τεχνικές Μηχανικής Μάθησης, οι οποίες επιτρέπουν το χειρισμό και την ανάλυση της εγγενούς μεταβλητότητας στην ανθρώπινη συμπεριφορά, καθιστά δυνατό την αναγνώριση και τον εντοπισμό αλλαγών σε όλη τη δυναμική διαδικασία. Τα πειράματα αποκαλύπτουν ότι το προτεινόμενο πλαίσιο προσδιορίζει αποτελεσματικά ανωμαλίες ή διαταραχές στην ανθρώπινη συμπεριφορά και προσφέρει πληροφορίες για τη ροή εργασίας και τη σειρά των δραστηριοτήτων. Επιπλέον, διευκολύνει την ανακάλυψη και τη μοντελοποίηση προτύπων συμπεριφοράς, μαζί με τον εντοπισμό αποκλίσεων στις ανθρώπινες δραστηριότητες, κάτι που είναι κρίσιμο για την ανάλυση μη δομημένων ανθρώπινων συμπεριφορών.