Enhancement of Process Mining with machine learning for identification of patterns in human behaviour
Amélioration du Process Mining avec l'apprentissage automatique pour l'identification de modèles de comportement humain
Résumé
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 paper 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 also using 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.
L'étude du comportement humain est un domaine vaste et interdisciplinaire. Une variété de méthodes de recherche a été utilisée afin d'obtenir des perspectives sur les complexités des actions humaines. Le processus d'identification et de classification d'activités ou d'actions spécifiques que les individus effectuent sur la base de données collectées à partir de capteurs est un domaine en évolution rapide qui bénéficie de plusieurs technologies fournissant les outils nécessaires pour collecter, traiter et analyser les données liées aux mouvements et comportements humains. La combinaison de données de capteurs et d'algorithmes d'apprentissage automatique permet d'analyser les données à l'aide de techniques de reconnaissance d'activité humaine (HAR) qui fournissent des informations précieuses sur le comportement, les préférences et les routines quotidiennes, ainsi que sur l'identification des troubles du comportement, des anomalies et des schémas humains. Ceci est particulièrement crucial pour promouvoir une vie plus saine et plus indépendante, aider les personnes handicapées et fournir un soutien aux aidants et aux professionnels de la santé. Un domaine qui a contribué de manière significative aux efforts pour atteindre ces objectifs est le domaine de la Process Mining. La Process Mining s'appuie sur des journaux d'événements, permet leur analyse et offre des informations sur le flux de travail et la séquence des activités. Comme le comportement humain n'est pas suffisamment structuré pour être représenté par un modèle de processus, des techniques plus robustes doivent être incorporées dans la Process Mining. La détection de points de changement émerge comme un outil potentiel pour identifier les troubles du comportement humain, associée à des méthodes de regroupement qui sont efficacement appliquées pour catégoriser et regrouper diverses activités humaines semblent être une solution au défi susmentionné. Cet article de recherche vise à développer un cadre avancé qui combine les techniques de Process Mining, la détection de points de changement et les méthodes de regroupement pour obtenir une analyse holistique des modèles de comportement humain. L'étude explore l'intégration de ces techniques diverses pour améliorer la compréhension des activités humaines complexes, en mettant l'accent sur l'identification de modèles et de déviations indicatifs de troubles potentiels. Les activités humaines sont représentées de manière séquentielle. En utilisant également des techniques d'apprentissage automatique non supervisées qui permettent de gérer et d'analyser la variabilité inhérente au comportement humain, il est possible d'identifier et de détecter des changements tout au long du processus dynamique. Les expériences révèlent que le cadre proposé identifie efficacement les anomalies ou troubles du comportement humain et offre des informations sur le flux de travail et la séquence des activités. De plus, il facilite la découverte et la modélisation des schémas comportementaux, ainsi que l'identification des déviations dans les activités humaines, ce qui est crucial pour analyser les comportements humains non structurés.
| Origine | Version validée par le jury (STAR) |
|---|