Reducing context uncertainty for robust pervasive workflows

Abstract

Mobile computing devices equipped with sensors are ubiquitously available, today. These platforms provide readings of a multitude of different sensor modalities with fairly high accuracy. But the lack of associated application knowledge restrains the possibility to combine this sensor information to accurate high-level context information. This information is required to drive the execution of applications, without the need for obtrusive explicit human interaction. A modeled workflow as formal representation of a (business) process can provide structural information on the application. This is especially the case for processes that cover applications with rich human interaction. Processes in the health-care domain are characterized by coarsely predefined recurring procedures that are adapted flexibly by the personnel to suite specific situations and rich human interaction. In this setting, a workflow managment system that gives guidance and documents staff actions can lead to a higher quality of care, fewer mistakes, and a higher efficiency. However, most existing workflow managment systems enforce rigid inflexible workflows and rely on direct manual input. Both is inadequate for health-care processes. The solution could be activity recognition systems that use sensor data (e. g. from smart phones) to infer the current activities by the personnel and provide input to a workflow (e.g. informing it that a certain activity is finished now). However, state of the art activity recognition technologies have difficulties in providing reliable information. In this thesis we show that a workflow can aid as source of structural application knowledge for activity recognition and that the other way around, a workflow can be driven by context information in a way reducing the need for explicit interaction. We describe a comprehensive framework - FlowPal - tailored for flexible human-centric processes, that improves the reliability of activity recognition data. FlowPals set of mechanisms exploits the application knowledge encoded in workflows in two ways. StarConincreases the accuracy of high-level context events using information from an associated workflow. Fuzzy Event Assignment (FEvA) mitigates errors in sequences of recognized context. This way FlowPal enables unobtrusive robust workflows. We evaluate our work based on a real-world case study situated in the health-care domain and show that the robustness of unobtrusive health-care workflows can be increased. With StarCon we can improve the accuracy of recognized context events up to 56%. Further we enable the successful execution of flows for a uncertain context events large range of uncertain context events, where a reference system fails. Overall, we achieve an absolute flow completion rate of about 91% (compared to only 12% with a classical workflow system). Our experiments also show that FEvA achieves an event assignment accuracy of 78% to 97% and improves the performance of dealing with false positive, out-of-order events and missed context events.

Mobile mit Sensoren und Rechenkapazität ausgestattete Geräte sind heutzutage allgegenwärtig. Diese bieten eine Vielzahl von verschiedenen Sensormodalitäten mit hoher Genauigkeit an. Aber der Mangel an Hintergrundwissen zur Anwendung limitiert die Möglichkeit diese Sensorinformationen zu genauen höherwertigen Kontextinformationen zu kombinieren. Diese Art von Kontext wird jedoch benötigt um die Anwendungen ohne direkte menschliche Interaktion durchzuführen. Ein modellierter Workflow als formale Repräsentation eines (Geschäfts-) Prozesses kann strukturelle Informationen über die Anwendung liefern. Dies ist insbesondere der Fall, wenn die Anwendung reich an Interaktion mit Menschen ist. Anwendungen im Umfeld der medizinischen Pflege sind dabei durch grob vordefinierte lose gekoppelte Aktivitäten definiert die vom Pflegepersonal je nach Situation und Art der Interaktion flexibel ausgelegt werden. In diesem Umfeld kann ein Workflow Management System Hinweise und Dokumentation der Arbeitsabläufe bieten, die zu einer höheren Qualität der Pflege, weniger Fehlern und einer höheren Effizienz führen. Allerdings zwingen viele Workflow Management Systeme den Nutzer zu starren Vorgehen und viel direkter Interaktion mit dem Workflow. Beides ist nicht geeignet für Prozesse in der Pflege. Um dieses Problem zu lösen kann man Aktivitätserkennung verwenden, die Sensordaten (z.B. von mobilen Geräten) nutzt um die aktuellen Tätigkeiten des Pflegepersonals zu erkennen und als Eingabe für den Workflow benutzen. Leider ist aktuell die Technologie zur Erkennung von Aktivitäten noch nicht zuverlässig genug für diese Anwendung. In dieser Arbeit zeigen wir, dass ein Workflow, als Quelle von strukturierter Information über die Anwendung, die Aktivitätserkennung verbessern kann. Umgekehrt, zeigen wir ebenfalls, dass ein Workflow allein durch Kontextinformationen ausgeführt werden kann und so weniger auf direkte Interaktion mit dem Nutzer angewiesen ist. Wir beschreiben ein umfassendes Rahmenwerk - FlowPal - welches speziell für die Ausführung von flexiblen auf den Menschen zentrierten Geschäftsprozessen ausgelegt ist. FlowPals Methoden nutzen das Anwendungswissen das in der Struktur des Workflows vorhanden ist auf zwei verschiedene Arten. „StarCon“ erhöht die Genauigkeit von abstrakten Kontextereignissen durch statistisches Lernen auf der Struktur des Workflows. Das „Fuzzy Event Assignment“ (FEvA) erlaubt es elegant mit Fehlern in der Interpretation und Reihenfolge der Kontextereignisse umzugehen. Wir evaluieren unsere Arbeit anhand einer Studie die im Bereich der medizinischen Pflege durchgeführt wurde und zeigen, dass die Robustheit der dortigen Prozesse deutlich erhöht werden kann. Mit StarCon können wir die Genauigkeit der erkannten Kontextereignisse um bis zu 56% steigern. Weiterhin können wir die erfolgreiche Ausführung von Workflows unter unsicheren Kontextinformationen ermöglichen, wo ein traditionelles Referenzsystem nicht funktioniert. Insgesamt erreichen wir eine Rate von erfolgreich beendeten Workflows von 91% (verglichen mit nur 12% beim Referenzsystem). Unsere Experimente zeigen weiterhin, das FeVA eine 78% bis 97% aller Kontextereignisse korrekt zuweisen kann und die Leistungsfähigkeit des Systems bei Falsch-positiven Ereignissen, fehlenden Ereignissen oder Ereignissen mit falscher Reihenfolge verbessert.