Εφαρμογή ηλεκτρονικής υγείας για την παρακολούθηση ασθενών με τη χρήση έξυπνων κινητών.

Abstract

Σήμερα η αναγνώριση των ανθρώπινων δραστηριοτήτων της καθημερινότητας είναι ένα σημαντικό ερευνητικό θέμα. Αξιοποιείται ευρέως και εφαρμόζεται σε πολλούς τομείς στην πραγματική ζωή. Η έρευνα εστιάζει κυρίως στην ακριβή αναγνώριση και ταξινόμηση των Δραστηριοτήτων της Καθημερινής Ζωής (Activities of Daily Living - ADLs), που είναι χρήσιμα για την ανάπτυξη έξυπνων εφαρμογών και υπηρεσιών ηλεκτρονικής υγείας Παράλληλα, οι πτώσεις στους ηλικιωμένους είναι ένα σημαντικό πρόβλημα για την κοινωνία. Περίπου ένας στους τρείς ηλικιωμένους από 65 ετών και άνω πέφτουν κάθε χρόνο με αποτέλεσμα τις σωματικές και ψυχολογικές βλάβες. Επίσης οι οικονομικές συνέπειες των πτώσεων είναι σημαντικές. Σύμφωνα με τον Παγκόσμιο οργανισμό υγείας το έτος 2030 η εκτίμηση των τραυματισμών που σχετίζονται με πτώσεις θα αυξηθεί κατά 100%. Η ικανότητα να ξεχωρίσουμε τις καθημερινές δραστηριότητες από τις πτώσεις είναι ένα σημαντικό πρόβλημα. Οι στόχοι αυτής της πτυχιακής είναι δύο. Ο πρώτος είναι να παράξει ένα ολοκληρωμένο σύνολο δεδομένων που αποτελείται από προσομοιωμένες καθημερινές δραστηριότητες και πτώσεις χρησιμοποιώντας νεαρούς εθελοντές με την χρήση μίας εφαρμογής για έξυπνα κινητά τηλέφωνα και τον λεπτομερή σχολιασμό του συνόλου αυτού των δεδομένων. Το σύνολο δεδομένων περιλαμβάνει σήματα που καταγράφονται από τους αισθητήρες του επιταχυνσιόμετρου και γυροσκοπίου ενός έξυπνου κινητού τελευταίας τεχνολογίας για τέσσερις διαφορετικούς τύπους πτώσεων και εννέα διαφορετικές δραστηριότητες της καθημερινής ζωής. Κατά τη διάρκεια της πτυχιακής εργασίας αναπτύχθηκε μία εφαρμογή σε λειτουργικό σύστημα Android. Με την χρήση αυτής της εφαρμογής καταγράφτηκαν σε αρχεία, δεδομένα από τους αισθητήρες ενός έξυπνου κινητού τηλεφώνου. Οι αισθητήρες που χρησιμοποιήθηκαν είναι το επιταχυνσιόμετρο, το γυροσκόπιο και ο αισθητήρας προσανατολισμού. Ο δεύτερος στόχος μας ήταν να εκμεταλλευτούμε αυτό το σύνολο δεδομένων για τη συγκριτική αξιολόγηση των επιδόσεων τριών γνωστών αλγορίθμων ανίχνευσης πτώσεων που έχουν προηγουμένως χρησιμοποιηθεί σε εφαρμογές έξυπνων κινητών. Σε δεύτερη φάση χρησιμοποιήθηκαν τεχνικές μηχανικής μάθησης για την ανίχνευση πτώσης αλλά και της κατηγοριοποίησης της πτώσης. Τα αποτελέσματα αυτής της αξιολόγησης, χρησιμοποιώντας το προαναφερθέν σύνολο δεδομένων, παρουσιάζονται και συζητούνται λεπτομερώς.

Currently, recognizing human activities is an important research topic; it is exploited widely and applied to many fields in real-life, especially health care or context aware applications. Research achievements are mainly focused on accurate recognition and classification of Activities of Daily Living (ADL) which are useful for developing smart eHealth and mHealth systems and services. Falls is one of the biggest risks to the health and wellbeing of the elderly.Falls in the elderly are a major problem for today’s society. Approximately one in every three adults aged 65 years old or older falls each year creating physical injuries and psychological harm. In addition significant economic effects result from this problem. According to World Health Organization in the year 2030 the estimation of injuries related to falls will increase by 100%. The ability therefore to distinguish between Activities of Daily Living (ADL) and falls is therefore an important problem. The objective of the present thesis is twofold. Firstly to create a comprehensive data set of ADLs and falls performed by young volunteers under supervised conditions together with an application for smart phones using the Android operation system for the detailed annotation of the data set. The dataset contains signals recorded from the accelerometer and gyroscope sensors of a latest technology smartphone for four different types of falls and nine different activities of daily living. During this thesis an application using the android operating system for smartphones was developed. Using this application recordings were made which contain data from smartphone sensors. The application also supports the detailed annotation of the resulting dataset. Our second objective was to exploit this dataset for the comparative evaluation of the performance of three known fall detection algorithms that have previously been used in smartphone-based fall-detection. The results of this elaborate evaluation of fall detection are presented, utilizing the aforementioned dataset, and discussed in detail.