تصميم وتحليل لتبسيط نظام الكشف عن السقوط
أبريل 6, 2020
نحن نقدم منهجية تعتمد على أجهزة استشعار متعددة الوسائط لتكوين نظام بسيط ومريح وسريع للكشف عن السقوط والتعرف على النشاط البشري. والهدف من ذلك هو بناء نظام للكشف الدقيق عن السقوط يمكن تنفيذه واعتماده بسهولة.
منهجيتنا تضيف مراحل هامة، واختيار مزيج من أجهزة الاستشعار، ووضع وتصنيف، لتبسيط نظام الكشف عن الخريف مع تحليل عميق. هناك أعمال سابقة تعالج بعض قضايا تصميم كشف الخريف، ولكن لا يوجد عمل يركز على منهجية شاملة للتغلب على جميع هذه المشاكل. ويمكن استخدام هذه المنهجية أيضاً في التعرف على النشاط البشري في مجال المساعدة على الحياة، وتقييم الأداء الرياضي، والعلاج الطبيعي، وتطبيقات إعادة التأهيل.
عند إنشاء مجموعة بيانات، قد تنشأ تحديات بسبب المزامنة، والتنظيم، وعدم التناسق في البيانات. وينبغي أن يؤخذ في الاعتبار المقايضة بين التقدير الدقيق وتعقّد النموذج. ومن خلال هذا الإجراء، سيكون خوسيه بابلو نونيز مارتينيز، وهو مساعد باحث، وصوفيا باتشيكو إيبانيز، طالبة هندسة جامعية من مختبرنا.
ابدأ بإنشاء نظام الحصول على البيانات لتسهيل جمع البيانات وتخزينها. حدد أنواع أجهزة الاستشعار القابلة للارتداء، وأجهزة الاستشعار المحيطة، والأجهزة القائمة على الرؤية المطلوبة كمصادر للمعلومات، وحدد معرف لكل مصدر للمعلومات، وعدد القنوات لكل مصدر، والمواصفات الفنية، ومعدل أخذ العينات لكل منها. لتوصيل كافة مصادر المعلومات إلى كمبيوتر مركزي أو نظام كمبيوتر موزعة أولاً تحقق من توصيل الأجهزة المستندة إلى سلك بشكل صحيح إلى كمبيوتر عميل واحد ثم تحقق من أن الأجهزة المستندة إلى لاسلكية بالكامل.
لإعداد كل جهاز لاسترداد البيانات، قم بتعيين نظام الحصول على البيانات للسماح بتخزين البيانات على السحابة والتأكد من أن نظام الحصول على البيانات يفي بمزامنة البيانات وخصائص تناسق البيانات المناسبة. تأكد من أن جميع أجهزة الاستشعار تكتسب البيانات بشكل ثابت وفي وقت واحد وتضمين تسميات لتحديد النشاط والصفات الموضوع. جمع بيانات العينة مع الأجهزة وتخزين البيانات في نظام مفضل.
الاستعلام عن قاعدة البيانات وتحديد ما إذا كانت كافة مصادر المعلومات يتم جمعها بنفس معدلات العينة. بعد النظر في الشروط المطلوبة في القيود المفروضة من قبل الهدف من النظام، وإعداد بيئة اختبار وضع فراش أو أي أنظمة الأرضيات متوافقة أخرى في وسط البيئة لضمان سلامة المشاركين. احتفظ بأية أغراض على بعد متر واحد على الأقل من الفراش، واحضر أي معدات حماية شخصية ضرورية للمشاركين.
ثم قم بإعداد الكاميرات المناسبة وإقران مستشعرات الأشعة تحت الحمراء حول الفراش كما هو موضح. تحديد هدف نظام كشف السقوط والتعرف على النشاط البشري على ورقة تخطيط وتحديد السكان المستهدفين من التجربة وفقا لهدف النظام. تحديد نوع الأنشطة اليومية بما في ذلك بعض الأنشطة غير الخريف التي تبدو وكأنها تقع لتحسين كشف السقوط الحقيقي.
تعيين معرف لكل نشاط ووصف الأنشطة بأكبر قدر ممكن من التفصيل. ثم قم بتعيين الفترة الزمنية لكل نشاط ليتم تنفيذه. تحديد نوع السقوط البشري وتعيين معرف ووصف كل سقوط لكل نشاط جنبا إلى جنب مع الفترة الزمنية لكل سقوط ليتم تنفيذها.
النظر في ما إذا كان سيتم إنشاء السقوط ذاتيا من قبل المواضيع أو التي تم إنشاؤها من قبل الآخرين وكتابة هذه المعلومات على ورقة التخطيط. لجمع بيانات النشاط والسقوط، ضع أجهزة التسجيل على الموضوع كما هو موضح. عندما يكون الموضوع جاهزاً، تحت إشراف خبير سريري أو باحث مسؤول، ابدأ جمع البيانات في نظام اكتساب البيانات واطلب من الشخص إجراء تسلسل الأنشطة والسقوط المبين في ورقة التخطيط مما يوفر الطوابع الزمنية لبداية ونهاية كل نشاط أو سقوط.
تحقق من حفظ البيانات من جميع مصادر المعلومات على السحابة بعد كل نشاط أو سقوط. لتحليل البيانات التي تم جمعها من النشاط والسقوط، استخدم مجموعة بيانات المعالم لكل أسلوب تعلم الآلة لتشغيل التحقق من صحة عبر ثني K. استخدم مقياسًا مشتركًا للتقييم مثل الدقة لتحديد أفضل نموذج تم تدريبه لكل طريقة.
بعد ذلك، افتح مجموعة بيانات ميزة التدريب في برنامج لغة البرمجة المفضلة واستخدم مكتبة الباندا لقراءة ملف CSV كما هو مبين. تقسيم مجموعة البيانات ميزة في أزواج من المدخلات / المخرجات كما هو مبين. حدد أسلوب تعلم آلة واحد وقم بتعيين المعلمات.
تدريب نموذج التعلم الآلي وحساب قيم التقديرات للنموذج باستخدام مجموعة بيانات ميزة الاختبار. كرر التحقق من صحة تقاطع K-fold لعدد المرات التي يتم فيها تحديد K في التحقق من صحة الـ K-fold عبر لكل نموذج تعلم الآلة المحدد. حدد المواضع المناسبة في النهج المتعدد الوسائط إذا كان هناك حاجة إلى مزيج من مصدرين أو أكثر من مصادر المعلومات للنظام واختيار أفضل مصدر للمعلومات لكل طريقة في النظام.
إنشاء مجموعة بيانات ميزة مجمعة باستخدام مجموعات البيانات المستقلة لمصادر المعلومات هذه وتحديد طريقة تصنيف التعلم الآلي. تدريب نموذج لمصادر المعلومات المجمعة هذه وتكرار التحقق باستخدام مجموعة البيانات الخاصة بالميزة المجمعة. ثم إعداد مجموعة بيانات جديدة مع المواضيع تحت ظروف أكثر واقعية باستخدام مصادر المعلومات المختارة في التحليل السابق فقط.
التمثيل الرسومي لأفضل أداء تم الحصول عليها لكل طريقة اعتمادا على نموذج التعلم الآلي وأفضل تكوين طول النافذة يوضح بوضوح أن النهج المتعددة الوسائط الحصول على أفضل قيم درجة F1 مقارنة ببعض النهج الأحادية الواسطة. على الرغم من استخدام أجهزة الاستشعار القابلة للارتداء فقط، إلا أنه يمكن الحصول على أداء مماثل لنهج متعدد الوسائط. من حيث المعيار للنماذج المستندة إلى البيانات ، تقدم الغابات العشوائية أفضل النتائج في جميع التجارب تقريبًا بينما لا تكون آلات الـscepter متعددة الطبقات وناقلات الدعم متسقة للغاية في الأداء.
يتم الحصول على أفضل أداء عند استخدام جهاز استشعار واحد في الخصر أو الرقبة أو الجيب الأيمن الضيق. الكاحل والمعصم الأيسر أجهزة الاستشعار التي يمكن ارتداؤها أداء أسوأ. بالإضافة إلى ذلك ، فإن الخصر ، الرقبة ، وأجهزة الاستشعار الضيقة الجيب الأيمن مع مصنف الغابات العشوائية في حجم نافذة لمدة ثلاث ثوان مع 50 ٪ متداخلة هي أجهزة الاستشعار الأكثر ملاءمة للارتداء للكشف عن الخريف.
كاميرا عرض الجانبي ينفذ أفضل كشف سقوط وأفضل موقع الكاميرا هو في وجهة نظر ذاتية باستخدام الغابات عشوائية في حجم نافذة ثلاث ثوان وتداخل 50٪. بالإضافة إلى ذلك، يوضح مصنف نموذج الغابات العشوائي أفضل أداء في الدقة ودرجة F1 في كل من الطرائق المتعددة والمزيج بين الخصر والكاميرا مرتبة واحدة في الموضع الأول. في تجاربنا، قمنا بتوظيف شباب بدون ضعف، ولكن يجب اختيار مواضيع تتماشى مع هدف النظام والسكان المستهدفين الذين يستخدمون النظام.
ويمكن تصميم وتنفيذ نظم بسيطة للكشف عن السقوط المتعدد الوسائط استنادا إلى هذه المنهجية. وبالنسبة للتكيف الحقيقي في العالم، يوصى باتباع نهج التعلم والنقل والتعلم العميق من أجل تطوير نظم قوية.
نظرة عامة
تقدم هذه الدراسة منهجية شاملة لكشف السقوط والتعرف على الأنشطة البشرية باستخدام مستشعرات متعددة الوسائط. يهدف النهج إلى تعزيز الدقة وسهولة التنفيذ في مختلف التطبيقات مثل المعيشة المساعدة وإعادة التأهيل.
مكونات الدراسة الرئيسية
مجال العلم
- علم الأعصاب
- التعرف على النشاط البشري
- تكنولوجيا المستشعرات
الخلفية
- تناولت الأعمال السابقة كشف السقوط ولكنها تفتقر إلى منهجية شاملة.
- تشمل التحديات المزامنة والتنظيم وتناسق البيانات.
- يمكن أن تحسن المقاربات متعددة الوسائط من دقة الكشف.
- تمتد التطبيقات إلى أداء الرياضة والعلاج الطبيعي.
غرض الدراسة
- لتطوير نظام موثوق لكشف السقوط.
- لتبسيط تكامل أنواع المستشعرات المختلفة.
- لتعزيز قدرات التعرف على الأنشطة البشرية.
الطرق المستخدمة
- اختيار ووضع المستشعرات القابلة للارتداء والمحيطية.
- إعداد نظام الحصول على البيانات للتخزين السحابي.
- جمع البيانات في ظل ظروف خاضعة للرقابة مع تدابير السلامة.
- أساليب التعلم الآلي لتحليل البيانات وتدريب النماذج.
النتائج الرئيسية
- تؤدي المقاربات متعددة الوسائط إلى تحسين معايير الأداء.
- تظهر نماذج الغابات العشوائية نتائج فائقة في جميع التجارب.
- تكون مواقع المستشعرات الفردية في مواقع معينة من الجسم فعالة.
- تمت معالجة التحديات في تناسق البيانات بنجاح.
الاستنتاجات
- المنهج المقترح فعال لكشف السقوط.
- يمكن تكييفه لمختلف التطبيقات في الصحة والرياضة.
- قد تركز الأعمال المستقبلية على تحسين تكامل المستشعرات وتحليل البيانات.
الأسئلة الشائعة
Executive Industry Relevance
This methodology supports early-stage target validation by enabling systematic evaluation of sensor modalities and machine learning approaches for detecting physiological events. It provides a framework for de-risking biomarker discovery through reproducible, multimodal data collection and analysis. The approach enhances predictive confidence in identifying valid biological signals relevant to neurological and musculoskeletal conditions.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses through quantitative measurement of fall-related biomechanical and neurological patterns.
- Operational Value: Supports functional target validation by isolating independent variables such as sensor placement and classification method.
- Predictive Value: Improves confidence in lead identification by linking sensor outputs to clinically relevant activity endpoints.
Screening & Assay Development
- Scientific Value: Prepares validated biological systems for downstream screening by establishing standardized data acquisition protocols.
- Operational Value: Ensures assay reproducibility through synchronized, multimodal sensor data collection and cloud-based storage.
- Scalability: Facilitates platform reuse across disease models by enabling transfer learning and deep learning adaptation.
Translational & Preclinical Research
- Translational Continuity: Connects discovery-phase sensor analytics to preclinical validation through consistent human activity recognition outputs.
- Risk-Adjusted Decisions: Supports advancement criteria by quantifying detection accuracy and F1 scores across sensor combinations.
- Biomarker Alignment: Enables correlation of wearable sensor signals with neurological and motor function endpoints.
Pipeline & Workflow Integration
The method integrates into the discovery continuum from hypothesis testing through lead identification to preclinical validation, particularly for neuromuscular and neurophysiological target assessment.
- Discovery Biology: Supports pathway clarification by analyzing sensor-derived features associated with fall and activity patterns.
- Screening: Delivers assay readiness through standardized K-fold cross-validation and accuracy-based model selection.
- Analytics: Generates quantitative dependent variable measurements (accuracy, F1 score) enabling cross-condition comparison and model ranking.
- Translational Research: Connects to preclinical continuity via transfer learning recommendations for robust system adaptation.
- Enterprise Reuse: Positions the sensor configuration and analysis workflow as a reusable capability across therapeutic areas.
Operational & Enterprise Impact
- Scientific Value: Reduces mechanistic ambiguity by isolating the contribution of individual sensors and modalities to detection performance.
- Operational Value: Enhances standardization through defined procedures for sensor ID assignment, sampling rate verification, and data synchronization.
- Strategic Value: Improves go/no-go decisions by identifying optimal sensor-placement-classifier combinations (e.g., waist sensor with random forest).
- Portfolio Impact: Enables risk-adjusted prioritization by quantifying performance tradeoffs between model complexity and estimation accuracy.
Implementation Considerations
- Requires expertise in sensor integration, data synchronization, and machine learning model evaluation.
- Needs instrumentation for multimodal data acquisition including wearable, ambient, and vision-based sensors.
- Demands cross-team standardization of data labeling, storage protocols, and feature extraction procedures.
- Involves adaptation considerations when transferring the system to impaired or elderly populations.
- Involves practical limitations related to environmental setup, subject safety, and real-world variability in activity execution.
