Fall risk assessment: towards real-time and continuous estimation

Abstract

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.