Progettazione e analisi per la semplificazione del sistema di rilevamento delle cadute

La nostra metodologia aggiunge fasi importanti, selezione della combinazione di sensori, posizionamento e classificazione, per semplificare il sistema di rilevamento delle cadute con un'analisi approfondita. Ci sono lavori precedenti che affrontano alcuni problemi di progettazione del rilevamento delle cadute, ma non c'è lavoro che si concentri sulla metodologia olistica per superare tutti questi problemi. Questa metodologia può essere utilizzata anche per il riconoscimento dell'attività umana nella vita assistita, nella valutazione delle prestazioni sportive, nella fisioterapia e nelle applicazioni riabilitativa.

Quando viene creato un set di dati, possono sorgere problemi dovuti alla sincronizzazione, all'organizzazione e all'incoerenza dei dati. Si dovrebbe prendere in considerazione un compromesso tra una stima accurata e la complessità del modello. A dimostrare la procedura saranno Jose Pablo Nunez Martinez, un assistente di ricerca, e Sofia Pacheco Ibanez, studentessa di ingegneria universitaria del nostro laboratorio.

Inizia impostando il sistema di acquisizione dei dati per facilitare la raccolta e l'archiviazione dei dati degli soggetti. Selezionare i tipi di sensori indossabili, sensori ambientali e dispositivi basati sulla visione richiesti come fonti di informazione e assegnare un ID per ogni fonte di informazioni, il numero di canali per fonte, le specifiche tecniche e la frequenza di campionamento di ciascuno di essi. Per connettere tutte le fonti di informazioni a un computer centrale o a un computer distribuito, verificare innanzitutto che i dispositivi basati su filo siano collegati correttamente a un singolo computer client e verificare che i dispositivi basati su wireless siano completamente caricati.

Per configurare ogni dispositivo per recuperare i dati, impostare il sistema di acquisizione dati per consentire l'archiviazione dei dati nel cloud e verificare che il sistema di acquisizione dati soddisfi le proprietà appropriate di sincronizzazione e coerenza dei dati. Assicurati di verificare che tutti i sensori acquisiscano dati in modo coerente e simultaneo e di includere etichette per identificare l'attività e i tratti del soggetto. Raccogliere dati di esempio con i dispositivi e archiviare i dati in un sistema preferito.

Eseguire una query nel database e determinare se tutte le origini di informazioni vengono raccolte alle stesse velocità di campionamento. Dopo aver considerato le condizioni richieste nelle restrizioni imposte dall'obiettivo del sistema, impostare l'ambiente di prova posizionando un materasso o qualsiasi altro sistema di pavimentazione conforme al centro dell'ambiente per garantire la sicurezza dei partecipanti. Tenere gli oggetti ad almeno un metro di distanza dal materasso e preparare tutti i dispositivi di protezione individuale necessari per i partecipanti.

Quindi impostare le telecamere appropriate e accoppiare i sensori a infrarossi intorno al materasso come illustrato. Definire l'obiettivo del sistema di rilevamento delle cadute e di riconoscimento dell'attività umana su una scheda di pianificazione e definire la popolazione target dell'esperimento in base all'obiettivo del sistema. Definisci il tipo di attività quotidiane, incluse alcune attività non autunnali che sembrano cadute per migliorare il rilevamento reale delle cadute.

Assegnare un ID per ogni attività e descrivere le attività nel modo più dettagliato possibile. Impostare quindi il periodo di tempo per ogni attività da eseguire. Definire il tipo di cadute umane e assegnare un ID e descrivere ogni caduta per ogni attività insieme al periodo di tempo per ogni caduta da eseguire.

Considera se le cascate saranno autogenerata dai soggetti o generata da altri e scrivi queste informazioni nella scheda di pianificazione. Per raccogliere i dati di attività e caduta, posizionare i dispositivi di registrazione sull'argomento come illustrato. Quando il soggetto è pronto, sotto la supervisione di un esperto clinico o di un ricercatore responsabile, avviare la raccolta dei dati nel sistema di acquisizione dati e chiedere al soggetto di eseguire le sequenze di attività e cadute delineate nella scheda di pianificazione risparmiando i timestamp dell'inizio e della fine di ogni attività o caduta.

Verificare che i dati di tutte le origini di informazioni siano salvati nel cloud dopo ogni attività o caduta. Per analizzare l'attività raccolta e i dati di caduta, utilizzare il set di dati delle funzionalità per ogni metodo di machine learning per eseguire una convalida incrociata K-fold. Utilizzare una metrica comune di valutazione come l'accuratezza per selezionare il modello migliore sottoposto a training per metodo.

Aprire quindi il set di dati delle funzionalità di training nel software del linguaggio di programmazione preferito e utilizzare la libreria pandas per leggere un file CSV come indicato. Dividere il set di dati delle funzionalità in coppie di input/output come indicato. Selezionare un metodo di machine learning e impostare i parametri.

Addestrare il modello di machine learning e calcolare i valori di stima del modello utilizzando il set di dati delle funzionalità di test. Ripetere la convalida incrociata K-fold del numero di volte in cui K viene specificato nella convalida incrociata K-fold per ogni modello di machine learning selezionato. Selezionare i posizionamenti adatti nell'approccio multimodale se è necessaria una combinazione di due o più fonti di informazione per il sistema e selezionare la migliore fonte di informazioni per ogni modalità del sistema.

Creare un set di dati di funzionalità combinato utilizzando i set di dati indipendenti di queste origini di informazioni e selezionare il metodo di classificazione dell'apprendimento automatico. Addestrare un modello per queste origini combinate di informazioni e ripetere la convalida utilizzando il set di dati di funzionalità combinato. Quindi preparare un nuovo set di dati con i soggetti in condizioni più realistiche utilizzando solo le fonti di informazione selezionate nell'analisi precedente.

La rappresentazione grafica delle migliori prestazioni ottenute per ogni modalità a seconda del modello di machine learning e della migliore configurazione della lunghezza della finestra illustra chiaramente che gli approcci multimodali ottengono i migliori valori di punteggio F1 rispetto ad alcuni approcci unimodali. Sebbene in particolare utilizzando solo sensori indossabili, è possibile ottenere prestazioni simili a un approccio multimodale. In termini di benchmark dei modelli basati sui dati, la foresta casuale presenta i migliori risultati in quasi tutti gli esperimenti, mentre il percettore multistrato e le macchine vettoriali di supporto non sono molto coerenti nelle prestazioni.

Le migliori prestazioni si ottengono quando un singolo sensore viene utilizzato in vita, collo o tasca destra stretta. I sensori indossabili alla caviglia e al polso sinistro hanno funzionato peggio. Inoltre, i sensori della vita, del collo e della tasca destra stretti con classificatore foreste casuali in una dimensione della finestra di tre secondi con sovrapposizione del 50% sono i sensori indossabili più adatti per il rilevamento delle cadute.

La telecamera di visualizzazione laterale esegue il miglior rilevamento delle cadute e la migliore posizione della fotocamera si trova in un punto di vista laterale utilizzando una foresta casuale in una dimensione della finestra di tre secondi e sovrapposta al 50%. Inoltre, il classificatore di modelli forestali casuali dimostra le migliori prestazioni in termini di precisione e punteggio F1 sia nelle multimosabilità che nella combinazione tra la vita e la fotocamera, si posiziona in prima posizione. Nei nostri esperimenti, abbiamo reclutato giovani senza menomazioni, ma dovrebbero essere selezionati soggetti che si allineano con l'obiettivo del sistema e la popolazione target utilizzando il sistema.

Semplici sistemi di rilevamento delle cadute multimodali possono essere progettati e implementati sulla base di questa metodologia. Per l'adattamento nel mondo reale, l'apprendimento dei trasferimenti e gli approcci di deep learning sono raccomandati per lo sviluppo di sistemi robusti.