Nossa metodologia adiciona etapas importantes, seleção de combinação de sensores, colocação e classificação, para simplificar o sistema de detecção de quedas com uma análise profunda. Existem trabalhos anteriores que abordam alguns problemas de design de detecção de quedas, mas não há trabalho focado na metodologia holística para superar todos esses problemas. Essa metodologia também pode ser utilizada para reconhecimento de atividade humana em aplicações de vida assistida, avaliação de desempenho esportivo, fisioterapia e reabilitação.
Quando um conjunto de dados é criado, podem surgir desafios devido à sincronização, organização e inconsistência de dados. Uma troca entre uma estimativa precisa e a complexidade do modelo deve ser levada em consideração. Demonstrando o procedimento estarão José Pablo Nunez Martinez, assistente de pesquisa, e Sofia Pacheco Ibanez, estudante de engenharia de graduação do nosso laboratório.
Comece por configurar o sistema de aquisição de dados para facilitar a coleta e o armazenamento de dados sujeitos. Selecione os tipos de sensores vestíveis, sensores ambientais e dispositivos baseados em visão necessários como fontes de informação e atribua um ID para cada fonte de informação, o número de canais por fonte, as especificações técnicas e a taxa de amostragem de cada um deles. Para conectar todas as fontes de informação a um computador central ou a um sistema de computador distribuído, verifique primeiro se os dispositivos baseados em fio estão conectados adequadamente a um único computador cliente e verifique se os dispositivos baseados em sem fio estão totalmente carregados.
Para configurar cada dispositivo para recuperar dados, defina o sistema de aquisição de dados para permitir o armazenamento de dados na nuvem e confirme que o sistema de aquisição de dados cumpre as propriedades apropriadas de sincronização de dados e consistência de dados. Certifique-se de verificar se todos os sensores estão adquirindo dados de forma consistente e simultânea e incluir rótulos para identificar atividades e características do assunto. Colete dados de amostra com os dispositivos e armazene os dados em um sistema preferencial.
Consulte o banco de dados e determine se todas as fontes de informação são coletadas nas mesmas taxas de amostra. Após considerar as condições exigidas nas restrições impostas pelo objetivo do sistema, configure o ambiente de teste colocando um colchão ou qualquer outro sistema de piso compatível no centro do ambiente para garantir a segurança do participante. Mantenha qualquer objeto a pelo menos um metro de distância do colchão e prepare qualquer equipamento de proteção pessoal necessário para os participantes.
Em seguida, configure as câmeras apropriadas e parear sensores infravermelhos ao redor do colchão como ilustrado. Defina o objetivo do sistema de detecção de quedas e reconhecimento de atividades humanas em uma folha de planejamento e defina a população-alvo do experimento de acordo com o objetivo do sistema. Defina o tipo de atividades diárias, incluindo algumas atividades não-quedas que parecem quedas para melhorar a detecção real de quedas.
Atribua um ID para cada atividade e descreva as atividades com o máximo de detalhes possível. Em seguida, defina o período de tempo para que cada atividade seja executada. Defina o tipo de quedas humanas e atribua um ID e descreva cada queda para cada atividade, juntamente com o período de tempo para cada queda a ser executada.
Considere se as quedas serão autogeridas pelos sujeitos ou geradas por outros e escreva essas informações na folha de planejamento. Para coletar os dados de atividade e queda, coloque os dispositivos de gravação sobre o assunto como ilustrados. Quando o sujeito estiver pronto, sob a supervisão de um especialista clínico ou de um pesquisador responsável, inicie a coleta de dados no sistema de aquisição de dados e peça ao sujeito para realizar as sequências de atividades e quedas descritas na folha de planejamento salvando os cronogramas do início e fim de cada atividade ou queda.
Verifique se os dados de todas as fontes de informação são salvos na nuvem após cada atividade ou queda. Para analisar a atividade coletada e os dados de queda, use o conjunto de dados de recursos para cada método de aprendizado de máquina para executar uma validação cruzada de dobra K. Use uma métrica comum de avaliação como precisão para selecionar o melhor modelo treinado por método.
Em seguida, abra o conjunto de dados do recurso de treinamento no software de linguagem de programação preferido e use a biblioteca pandas para ler um arquivo CSV conforme indicado. Divida o conjunto de dados do recurso em pares de entradas/saídas conforme indicado. Selecione um método de aprendizado de máquina e defina os parâmetros.
Treine o modelo de aprendizado de máquina e calcule os valores estimados do modelo usando o conjunto de dados do recurso de teste. Repita a validação cruzada de dobra K do número de vezes que K é especificado na validação cruzada de dobra K para cada modelo de aprendizado de máquina selecionado. Selecione as colocações adequadas na abordagem multimodal se for necessária uma combinação de duas ou mais fontes de informação para o sistema e selecione a melhor fonte de informação para cada modalidade no sistema.
Crie um conjunto de dados combinado usando os conjuntos de dados independentes dessas fontes de informação e selecione o método de classificação de aprendizado de máquina. Treine um modelo para essas fontes combinadas de informação e repita a validação usando o conjunto de dados combinado. Em seguida, prepare um novo conjunto de dados com os sujeitos em condições mais realistas usando apenas as fontes de informação selecionadas na análise anterior.
A representação gráfica do melhor desempenho obtido para cada modalidade dependendo do modelo de aprendizado de máquina e da melhor configuração de comprimento de janela ilustra claramente que abordagens multimodais obtêm os melhores valores de pontuação de F1 em comparação com algumas abordagens unimodais. Embora notavelmente usando apenas sensores vestíveis, um desempenho semelhante a uma abordagem multimodal pode ser obtido. Em termos de benchmark dos modelos baseados em dados, a floresta aleatória apresenta os melhores resultados em quase todos os experimentos, enquanto as máquinas de perceptron e vetor de suporte multicamadas não são muito consistentes em desempenho.
O melhor desempenho é obtido quando um único sensor é usado na cintura, pescoço ou bolso direito apertado. Sensores vestíveis de tornozelo e pulso esquerdo tiveram o pior desempenho. Além disso, a cintura, pescoço e sensores de bolso direito apertados com classificador de florestas aleatórias em um tamanho de janela de três segundos com 50% de sobreposição são os sensores vestíveis mais adequados para detecção de queda.
A câmera de visão lateral realiza a melhor detecção de queda e a melhor localização da câmera é em um ponto de vista lateral usando floresta aleatória em um tamanho de janela de três segundos e 50% sobreposta. Além disso, o classificador de modelo florestal aleatório demonstra o melhor desempenho em precisão e pontuação de F1 em ambas as multi-modalidades e a combinação entre a cintura e a câmera um classifica na primeira posição. Em nossos experimentos, recrutamos jovens sem prejuízos, mas os sujeitos devem ser selecionados que estejam alinhados com o objetivo do sistema e da população-alvo que utiliza o sistema.
Sistemas simples de detecção de queda multimodal podem ser projetados e implementados com base nessa metodologia. Para adaptação do mundo real, o aprendizado de transferência e abordagens de aprendizagem profunda são recomendados para o desenvolvimento de sistemas robustos.
