Utilize este identificador para referenciar este registo:
https://hdl.handle.net/1822/79822
Título: | Fall risk assessment: towards real-time and continuous estimation |
Outro(s) título(s): | Análise de risco de queda: em direção a uma estimativa em tempo real |
Autor(es): | Martins, Luís Miguel Marques |
Orientador(es): | Santos, Cristina |
Palavras-chave: | Fall Fall risk assessment Activities of the daily living Machine learning Deep learning Queda Análise de risco de queda Atividades diárias |
Data: | 4-Abr-2022 |
Resumo(s): | Falls are a common cause of injuries and deaths in the senior population. Due to population ageing, more
falls occur. As a result, the expense of treating fall-related injuries is rising as well. Thus, the development
of strategies with the capability of real-time fall risk monitoring without user restriction is imperative. Due to
their advantages, daily life items, such as waist straps, smart watches and smartphones, can be a solution
to integrate fall-risk assessment systems. Summing up, it is crucial the development of strategies that can
in real time evaluate and recognize risky situations based on several fall risk factors, in order to prevent
falls, also allowing timely assistance to reduce its harmful consequences. This thesis aims to idealize a
tool capable of assessing the fall risk of a subject in real time, taking into account several existing fall risk
factors, focusing on continuous fall risk assessment (FRA) and recognition of daily activities performed by
the elderly.
The strategy regarding the FRA consisted of a three-part modular architecture that allows real-time fall
risk assessment using only a waist strap fitted with an inertial sensor and an eHealth platform. Each module
must examine risk factors such as biological data, environmental changes, and even geriatric behavioral
matters such as daily activities. The activity recognition module was validated in this dissertation.
For the recognition of 20 different daily activities and falls, a machine learning study was completed
involving 10 feature selection methods and 5 different machine learning classifiers. Results have shown
that the Ensemble Learning with the 65 first features ranked by PCA presented the best results with 96.53%
of overall accuracy, while maintaining a low classification time, leaving the possibility of its usage in real time scenarios open in the future. The same problem was also addressed via Deep Learning algorithms
and 4 basic Neural Networks architectures were tested. Despite its outcomes not being as good as in the
prior procedure, their potential was demonstrated (overall accuracy of 92.55% for BiLSTM), indicating that
they could be a good option in the future with some changes and new testing. Quedas são uma das causa mais comuns de lesões na população idosa. Como resultado, custos com o tratamento destas têm também aumentado. Assim, é imperativo o desenvolvimento de ferramentas de Análise do Risco de Queda (ARQ) em tempo real, sem restrições para os utilizadores. Dispositivos como cintas e smartphones, podem hoje em dia ser uma solução para integrar sistemas de avaliação de risco de queda. Em suma, é fundamental o desenvolvimento de estratégias que possam avaliar e reconhecer situações de risco de queda com base em vários fatores, a fim de as prevenir, permitindo ainda uma assistência atempada por forma a reduzir as suas consequências. Assim, esta dissertação pretende dar os primeiros passos em direção a uma ferramenta de ARQ, tendo em conta diversos fatores de risco, com foco principal na ARQ e reconhecimento de atividades diárias realizadas por idosos. A estratégia de ARQ consistiu em uma arquitetura modular de três partes para a avaliação do risco de queda em tempo real, usando uma cinta equipada com um sensor inercial e uma plataforma de eHe alth. Cada módulo examina fatores de risco, como dados biológicos, mudanças ambientais e até mesmo questões comportamentais dos idosos, como as suas atividades diárias. O módulo de reconhecimento de atividades foi validado nesta dissertação. Para o reconhecimento de 20 diferentes atividades diárias e quedas, foi realizado um estudo de Ma chine Learning envolvendo 10 métodos de seleção de features e 5 classificadores diferentes. O Ensemble Learning com as primeiras 65 features selecionadas pelo PCA apresentou os resultados mais promissores, com 96,53% de accuracy, mantendo um tempo de classificação baixo, deixando em aberto a possibilidade de seu uso em tempo real no futuro. O mesmo problema foi ainda solucionado através de algoritmos de Deep Learning, e 4 arquiteturas básicas de Redes Neurais foram testadas. Apesar de seus resultados não serem tão bons quanto no procedimento anterior (accuracy de 92,55% para BiLSTM), seu potencial foi demonstrado, indicando que podem ser uma solução de futuro, após modificações e novos testes. |
Tipo: | Dissertação de mestrado |
Descrição: | Dissertação de mestrado em Biomedical Engineering, Medical Electronics |
URI: | https://hdl.handle.net/1822/79822 |
Acesso: | Acesso aberto |
Aparece nas coleções: | BUM - Dissertações de Mestrado DEM - Dissertações de Mestrado / MSc Thesis |
Ficheiros deste registo:
Ficheiro | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Luis Miguel Marques Martins.pdf | Dissertação de Mestrado | 5,43 MB | Adobe PDF | Ver/Abrir |
Este trabalho está licenciado sob uma Licença Creative Commons