Diseño y análisis para la simplificación del sistema de detección de caídas

Nuestra metodología añade etapas importantes, selección de la combinación de sensores, colocación y clasificación, para simplificar el sistema de detección de caídas con un análisis profundo. Hay trabajos anteriores que abordan algunos problemas de diseño de detección de caídas, pero no hay ningún trabajo que se centre en la metodología holística para superar todos estos problemas. Esta metodología también se puede utilizar para el reconocimiento de la actividad humana en la vida asistida, evaluación del rendimiento deportivo, terapia física y aplicaciones de rehabilitación.

Cuando se crea un conjunto de datos, pueden surgir desafíos debidos a la sincronización, la organización y la incoherencia de datos. Debe tenerse en cuenta un equilibrio entre una estimación precisa y la complejidad del modelo. Demostrando el procedimiento serán José Pablo Núñez Martínez, asistente de investigación, y Sofía Pacheco Ibáñez, estudiante de ingeniería de grado de nuestro laboratorio.

Comience configurando el sistema de adquisición de datos para facilitar la recopilación y el almacenamiento de datos del sujeto. Seleccione los tipos de sensores portátiles, sensores ambientales y dispositivos basados en la visión necesarios como fuentes de información y asigne un ID para cada fuente de información, el número de canales por fuente, las especificaciones técnicas y la frecuencia de muestreo de cada uno de ellos. Para conectar todas las fuentes de información a un equipo central o a un sistema informático distribuido, compruebe primero que los dispositivos basados en cables están conectados correctamente a un único equipo cliente y compruebe que los dispositivos basados en redes inalámbricas están completamente cargados.

Para configurar cada dispositivo para recuperar datos, establezca el sistema de adquisición de datos para permitir el almacenamiento de datos en la nube y confirme que el sistema de adquisición de datos cumple las propiedades de sincronización de datos y coherencia de datos adecuadas. Asegúrese de comprobar que todos los sensores están adquiriendo datos de forma coherente y simultánea e incluya etiquetas para identificar la actividad y los rasgos del sujeto. Recopile datos de muestra con los dispositivos y almacene los datos en un sistema preferido.

Consulte la base de datos y determine si todos los orígenes de información se recopilan a las mismas frecuencias de muestreo. Después de considerar las condiciones requeridas en las restricciones impuestas por el objetivo del sistema, configure el entorno de pruebas colocando un colchón o cualquier otro sistema de pisos conforme en el centro del medio ambiente para garantizar la seguridad de los participantes. Mantenga cualquier objeto al menos a un metro del colchón y prepare el equipo de protección personal necesario para los participantes.

A continuación, configure las cámaras adecuadas y empareje sensores infrarrojos alrededor del colchón como se ilustra. Definir el objetivo del sistema de detección de caídas y reconocimiento de actividad humana en una hoja de planificación y definir la población objetivo del experimento de acuerdo con el objetivo del sistema. Defina el tipo de actividades diarias, incluidas algunas actividades que no son de otoño, que parecen caídas para mejorar la detección de caídas reales.

Asigne un ID para cada actividad y describa las actividades con el mayor detalle posible. A continuación, establezca el período de tiempo para cada actividad que se va a ejecutar. Defina el tipo de caídas humanas y asigne un ID y describa cada caída para cada actividad junto con el período de tiempo para cada caída que se va a ejecutar.

Considere si las caídas serán autogeneradas por los sujetos o generadas por otros y escriba esta información en la hoja de planificación. Para recopilar los datos de actividad y caída, coloque los dispositivos de grabación en el sujeto como se ilustra. Cuando el sujeto esté listo, bajo la supervisión de un experto clínico o un investigador responsable, inicie la recopilación de datos en el sistema de adquisición de datos y pida al sujeto que realice las secuencias de actividades y se desboque en la hoja de planificación guardando las marcas de tiempo del inicio y el final de cada actividad o caída.

Compruebe que los datos de todas las fuentes de información se guardan en la nube después de cada actividad o caída. Para analizar la actividad recopilada y los datos de caída, utilice el dataset de entidades para cada método de aprendizaje automático para ejecutar una validación cruzada de K- fold. Utilice una métrica común de evaluación como la precisión para seleccionar el mejor modelo entrenado por método.

A continuación, abra el conjunto de datos de entidades de entrenamiento en el software de lenguaje de programación preferido y utilice la biblioteca pandas para leer un archivo CSV como se indica. Divida el dataset de entidades en pares de entradas/salidas como se indica. Seleccione un método de aprendizaje automático y establezca los parámetros.

Entrene el modelo de aprendizaje automático y calcule los valores de estimación del modelo mediante el conjunto de datos de características de prueba. Repita la validación cruzada de K-fold del número de veces que se especifica K en la validación cruzada de K-fold para cada modelo de aprendizaje automático seleccionado. Seleccione las ubicaciones adecuadas en el enfoque multimodal si se requiere una combinación de dos o más fuentes de información para el sistema y seleccione la mejor fuente de información para cada modalidad del sistema.

Cree un conjunto de datos de entidades combinado utilizando los conjuntos de datos independientes de estos orígenes de información y seleccione el método de clasificación de aprendizaje automático. Entrene un modelo para estas fuentes combinadas de información y repita la validación mediante el dataset de entidades combinado. A continuación, prepare un nuevo conjunto de datos con los sujetos en condiciones más realistas utilizando solo las fuentes de información seleccionadas en el análisis anterior.

La representación gráfica del mejor rendimiento obtenido para cada modalidad en función del modelo de aprendizaje automático y la mejor configuración de longitud de ventana ilustra claramente que los enfoques multimodales obtienen los mejores valores de puntuación F1 en comparación con algunos enfoques unimodal. Aunque en particular utilizando sensores portátiles solamente, se puede obtener un rendimiento similar a un enfoque multimodal. En cuanto al punto de referencia de los modelos basados en datos, el bosque aleatorio presenta los mejores resultados en casi todos los experimentos, mientras que el perceptrón multicapa y las máquinas vectoriales de soporte no son muy consistentes en el rendimiento.

El mejor rendimiento se obtiene cuando se utiliza un solo sensor en la cintura, el cuello o el bolsillo derecho apretado. Los sensores portátiles de tobillo y muñeca izquierda realizaron lo peor. Además, la cintura, el cuello y los sensores de bolsillo derecho ajustados con clasificador de bosques aleatorios en un tamaño de ventana de tres segundos con un 50% superpuesto son los sensores portátiles más adecuados para la detección de caídas.

La cámara de visión lateral realiza la mejor detección de caídas y la mejor ubicación de la cámara se encuentra en un punto de vista lateral utilizando bosque aleatorio en un tamaño de ventana de tres segundos y 50% superpuesto. Además, el clasificador de modelos de bosque aleatorio demuestra el mejor rendimiento en precisión y puntuación de F1 en ambas modalidades y la combinación entre la cintura y la cámara uno se clasifica en la primera posición. En nuestros experimentos, reclutamos a jóvenes sin impedimentos, pero se deben seleccionar sujetos que se alineen con el objetivo del sistema y la población objetivo que utiliza el sistema.

Los sistemas simples de detección de caídas multimodales se pueden diseñar e implementar sobre la base de esta metodología. Para la adaptación del mundo real, se recomiendan enfoques de aprendizaje de transferencia y aprendizaje profundo para desarrollar sistemas robustos.