Αναγνώριση δραστηριοτήτων ηλικιωμένων ανθρώπων με τη βοήθεια φορετών αισθητήρων χωρίς μπαταρίες

Η νοσηλεία ηλικιωμένων χωρίς παρακολούθηση προκαλεί πτώσεις ασθενών, οι οποίες θεωρούνται βασική αιτία σοβαρών τραυματισμών. Εκτός από τους σωματικούς τραυματισμούς, έχουν επίσης ψυχολογικές συνέπειες, καθώς επίσης συνδέονται και με ιατρικές δαπάνες. Η επιτήρηση, με φυσική παρουσία ανθρώπων, που είναι η κύρια λύση για την αποφυγή πτώσεων, είναι δαπανηρή. Για το λόγο αυτό, πολλές προσπάθειες ερευνητών, με διάφορες τεχνολογικές λύσεις, επικεντρώθηκαν στον τομέα της ανίχνευσης και πρόληψης πτώσης. Παραδείγματα τέτοιων τεχνολογικών λύσεων αφορούν μια ποικιλία αισθητήρων που συνδέονται με το σώμα, το κρεβάτι ή το πάτωμα. Αυτή η διπλωματική διατριβή βασίστηκε στη χρήση ασύρματου, φορετού, χωρίς μπαταρίες, χαμηλής ισχύος και χαμηλού κόστους αισθητήρα (Wearable Wireless Identification and Sensing Platform, W2ISP). Τα σύνολα δεδομένων για την ερμηνεία, προκειμένου να αναγνωριστούν οι διάφορες δραστηριότητες, παράχθηκαν από ένα τρισδιάστατο επιταχυνσιόμετρο και τη μεταδιδόμενη ισχύ σήματος από το W2ISP. Τα δεδομένα επίσης αφορούσαν υγιείς ηλικιωμένους που φορούσαν το W2ISP, εφαρμοσμένο στα ρούχα τους, στο επίπεδο του στέρνου, αναλαμβάνοντας μια σειρά δραστηριοτήτων σε δύο κλινικές αίθουσες. Σε αυτή τη μεταπτυχιακή διατριβή, για την αξιολόγηση της προσέγγισής μας και την επιτυχή διάκριση της αναγνώρισης των δραστηριοτήτων, παρουσιάζεται μια σύγκριση επιδόσεων μεταξύ μερικών από τους πιο δημοφιλείς αλγόριθμους εποπτευόμενης μηχανικής μάθησης που χρησιμοποιήθηκαν σε συστήματα ανίχνευσης πτώσης. Αυτοί είναι οι: Random Forest (RF), Support Vector Machine (SVM), K nearest neighbor (k-NN) και neural network MultiLayer Perceptron (MLP). Για την ταξινόμηση δεδομένων χρησιμοποιήθηκε η μέθοδος αξιολόγηση k-fold cross validation με 10 folds. Χρησιμοποιήθηκαν διαφορετικές στατιστικές μετρήσεις για την αξιολόγηση των παραγόμενων μοντέλων, όπως η ακρίβεια, η ανάκληση, η F-measure και η Kappa Statistic. Τα ευρήματα δείχνουν ότι τα καλύτερα αποτελέσματα προέρχονται από τον αλγόριθμο RF. Το μοντέλο πέτυχε αποτελέσματα ακρίβειας (precision) πάνω από 98% (Room 1) και 93% (Room 2), η ανάκληση (Recall) ήταν > 96,5% και 90,9% αντίστοιχα, ενώ η F-measure ήταν > 97% και 91,9% αντίστοιχα. Τα υψηλά αποτελέσματα επιβεβαιώνουν την εγκυρότητα της προσέγγισής μας και η απόδοση της ξεπερνά τις προηγούμενες παρόμοιες μελέτες.