Smart energy data for remote elderly care

Abstract

El envejecimiento de la población exige soluciones no intrusivas para el monitoreo de adultos mayores. Este trabajo evalúa la viabilidad de utilizar el consumo eléctrico como indicador de actividad, comparando empíricamente dos enfoques de adquisición de datos: visión por computadora y detección de pulsos luminosos. Se desarrollaron y evaluaron dos prototipos en un ambiente de laboratorio y asegurado mediante un diferencial y un interruptor termomagnético. El primero emplea una ESP32-CAM que envía fotografías del medidor a un servidor local, donde un script de Python utiliza Tesseract OCR para extraer el consumo. El algoritmo segmenta la imagen y aplica un barrido de umbrales para mitigar las variaciones de luz, realizando validaciones estadísticas antes de enviar los datos a ThingSpeak mediante HTTP POST. El segundo prototipo utiliza un fotodiodo BPW34 conectado a un ESP32 que cuenta los pulsos de un medidor electrónico (1600 imp/kWh). Este enfoque realiza el cálculo de consumo completamente en el dispositivo (Full Edge) y actualiza ThingSpeak de forma directa y autónoma. Las pruebas contemplaron variaciones de potencia, tasas de muestreo, condiciones lumínicas y ensayos continuos de 48 horas para medir el error acumulado, así como tasa de éxito y de ancho de banda. Los resultados demostraron la clara superioridad del fotodiodo: es menos intrusivo, reduce drásticamente la carga en la red WiFi, evita la pérdida de datos por desincronización de captura y posee una precisión 160 veces mayor. El principal logro de esta investigación es validar que un dispositivo económico y de fácil instalación puede extraer información altamente valiosa a partir de simples pulsos luminosos, permitiendo inferir rutinas de manera confiable para el monitoreo remoto de personas mayores.

Population aging demands non-intrusive solutions for monitoring the elderly. This work evaluates the feasibility of using electrical consumption as an activity indicator by empirically comparing two data acquisition approaches: computer vision and light pulse detection. Two prototypes were developed and tested in a laboratory enviroment. The testbed is protected with a differential and an electromagnetic circuit breaker. The first prototype uses an ESP32-CAM that sends meter photographs to a local server, where a Python script uses Tesseract OCR to extract consumption data. The algorithm segments the image and applies a threshold sweep to mitigate lighting variations, performing statistical validations before sending the data to ThingSpeak via HTTP POST. The second prototype uses a BPW34 photodiode connected to an ESP32 to count the pulses of an electronic meter (1600 imp/kWh). This approach calculates consumption entirely on the device (Full Edge) and updates ThingSpeak directly and autonomously. Testing included load variations, sampling rates, lighting conditions, bandwidth and computational cost analysis, and 48-hour continuous trials to measure cumulative error. The results demonstrated the clear superiority of the photodiode: it is less intrusive, drastically reduces WiFi network load, prevents data loss from capture timing issues, and offers 160 times higher precision. The main achievement of this research is validating that an affordable, easy-to-install device can extract highly valuable information from simple light pulses, reliably inferring daily routines for the remote monitoring of older adults.