A carregar...
Publicação
Investigating suitable strategies to detect the lack of balance due to different external perturbations based on wearable sensors
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 10.72 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
As quedas representam uma ameaça significativa para a saúde e bem-estar dos idosos e
amputados, resultando frequentemente em lesões graves, tais como fraturas ósseas e lesões
cranianas. Além dos danos físicos, as quedas também acarretam custos financeiros consideráveis
para os sistemas de saúde e para os indivíduos afetados. Nos Estados Unidos da América, por
exemplo, estima-se que um em cada três adultos com mais de 65 anos sofra uma queda
anualmente, e de 20% a 30% desses casos resultam em lesões moderadas a severas. Diante desses
dados alarmantes, surge a necessidade urgente de soluções inovadoras para prevenir e mitigar os
riscos de quedas.
Com o objetivo de enfrentar esse desafio, este trabalho se concentra no desenvolvimento de um
algoritmo inovador capaz de detetar perturbações inesperadas causadas especificamente por
superfícies deslizantes. A hipótese subjacente a essa abordagem é de que mudanças bruscas na
aceleração durante as transições posturais podem servir como um sinal precoce de
comprometimento do equilíbrio dinâmico.
Para investigar essa hipótese, foram realizados experimentos com vinte e dois sujeitos
voluntários, com idades entre 30,86 ± 5,33 anos, peso médio de 65,18 ± 12,88 kg e altura média
de 1,71 ± 0,10 m. Os participantes foram submetidos a um protocolo experimental que incluía
perturbações por deslizamento em diferentes superfícies. A cinemática dos membros inferiores
foi registada por meio de sete sensores de medição inercial (IMUs, na sigla em inglês para Inertial
Measurement Units). Um dos sensores foi posicionado na pélvis, enquanto os demais foram
colocados em pares nas coxas, abaixo dos joelhos e nos pés. A taxa de aquisição dos dados foi de
100 Hz.
Os sinais adquiridos pelos sensores foram processados e organizados por meio de um código
programado no ambiente MATLAB. Durante o processamento dos dados, foram identificados
períodos em que ocorreu perda de informação nos registos. Para corrigir essa perda, foi utilizada
a técnica de spline para reconstruir a tendência correta dos sinais originais.
Após o processamento dos dados, o foco da análise concentrou-se na identificação dos momentos
em que ocorreu o contato do calcanhar com o chão, conhecido como "heel strike". Esses
momentos são indicativos do início de um novo passo. Para identificar esses heel strikes, foram
utilizados métodos baseados na análise da velocidade angular do plano médio-lateral do pé.
Inicialmente, os dados do acelerômetro foram utilizados para calcular a velocidade angular,
reduzindo assim o número de sensores necessários para a análise. Entretanto, os resultados obtidos
não foram suficientemente precisos. Portanto, decidiu-se utilizar exclusivamente os dados do
giroscópio para a identificação dos heel strikes. Essa alteração permitiu rotular cada momento
como um passo "normal", "escorregadio" ou "de viragem". Os passos de viragem foram excluídos
da análise devido à natureza do estudo.
Para garantir a sincronia entre os ensaios realizados por cada participante, aplicou-se o método de
cross-correlation. Essa técnica permitiu observar e comparar o comportamento dos dois tipos de
passos (normal e deslizante) após o heel strike.
Um aspeto crucial do estudo era identificar padrões de aceleração característicos dos passos
deslizantes, os quais seriam distintos dos padrões observados nos passos normais. Para isso, foram analisadas as acelerações registadas por cada sensor em todos os sujeitos. Verificou-se que os
sensores localizados nas coxas e nos pés apresentaram os melhores resultados, com um padrão
distinto entre os passos normais e os passos deslizantes. No entanto, foi observado que o sensor
da coxa apresentou resultados inconclusivos para sete participantes, enquanto o sensor do pé
apresentou resultados inconclusivos para quatro participantes. Essa abordagem inicial mostrouse ineficaz e exigiu a revisão dos métodos utilizados.
Uma segunda abordagem foi adotada para melhorar a precisão da deteção dos passos deslizantes.
Nessa abordagem, foram calculadas medidas estatísticas, como média, mediana, desvio padrão e
valor eficaz da aceleração, com base em estudos anteriores que utilizaram técnicas semelhantes.
Para essa análise, uma janela móvel apropriada foi aplicada aos dados. Com base nos resultados
observados, foram estabelecidas duas regras: a "regra da área" e a "regra dos picos". A primeira
envolvia a estimativa da integral de cada parâmetro estatístico mencionado, enquanto a segunda
procurava um número pré-definido de picos proeminentes. Ambas as regras envolviam limiares
e características específicas para garantir os melhores resultados possíveis. Por exemplo, cada
regra continha diferentes intervalos de tempo e um ponto de corte para avançar o ponto de partida
da análise. Além disso, cada regra apresentava um limite de threshold específico. A "regra dos
picos" incluía dois critérios adicionais: o tipo de função utilizada para a deteção dos picos e o tipo
de sinal da função a ser analisada.
Para avaliar os resultados obtidos com as regras estabelecidas, foram calculadas métricas como a
exatidão. A exatidão dentro da regra foi determinada para avaliar quantos passos deslizantes
foram corretamente identificados em relação ao total identificado pela mesma regra. Além disso,
foi considerada a exatidão em relação ao número total de passos deslizantes observados durante
a aquisição dos dados. Os parâmetros de exatidão foram multiplicados para obter uma medida
geral de eficácia de cada regra. As dez melhores combinações de regras foram selecionadas para
a próxima fase do estudo.
Com o objetivo de melhorar ainda mais a eficácia do algoritmo classificador, foram formuladas
e implementadas oito hipóteses. Cada hipótese explorou diferentes configurações e limites
mínimos de regras cumpridas pelo classificador. Por exemplo, uma das hipóteses testou todas as
vinte regras em conjunto, enquanto outra hipótese se concentrou apenas nas regras com uma
exatidão superior a 95 %. As demais hipóteses analisaram especificamente as regras da área e dos
picos, além de explorar os resultados obtidos por cada sensor individualmente.
Cada hipótese estabeleceu um threshold correspondente ao limite mínimo de regras cumpridas
para alcançar os melhores resultados. Em seguida, o classificador foi avaliado por meio de uma
matriz de confusão, que permitiu verificar sua eficácia por meio da análise da exatidão, precisão,
sensibilidade, especificidade e F-score. Essa última métrica é especialmente útil para análise de
conjuntos de dados desequilibrados, como é o caso deste estudo, em que a base de dados continha
876 passos normais e apenas 36 passos deslizantes.
Os resultados obtidos demonstraram que as regras baseadas nos picos de aceleração apresentaram
os melhores resultados quando o limite mínimo de regras cumpridas foi estabelecido em 6,
alcançando uma pontuação F de 88,24 %. O sensor localizado no pé se destacou na distinção entre
passos normais e deslizantes, obtendo uma pontuação F de 82,05 % com um limite mínimo de 5
regras. Esses resultados foram consistentes com as descobertas relatadas na revisão bibliográfica. Em resumo, este estudo desenvolveu e avaliou um algoritmo inovador para deteção de
perturbações causadas por superfícies deslizantes durante a locomoção. Os resultados indicam
que esse algoritmo tem o potencial de ser implementado em sistemas ativos, como airbags de
segurança ou dispositivos para auxiliar o equilíbrio, como próteses e ortóteses elétricas. No
entanto, é importante ressaltar que este estudo apresenta algumas limitações. Por exemplo, o
protocolo experimental adotado pode ter influenciado o comportamento dos participantes, que
podem ter adotado uma postura defensiva para evitar quedas, o que pode não refletir totalmente
a realidade. Além disso, a deteção dos heel strikes exigiu o uso adicional do giroscópio, o que
pode limitar a aplicabilidade prática do algoritmo em certos contextos. Também é importante
destacar que os dados experimentais foram obtidos de sujeitos jovens, e pode haver disparidades
entre esses resultados e os dados de quedas de idosos e amputados, que são o público-alvo deste
estudo. Portanto, estudos futuros devem considerar essas limitações e expandir a análise para
incluir uma amostra mais representativa da população-alvo.
Falls are a significant threat to the elder and amputee's health, causing severe injuries such as broken bones or a head injury and resulting in tremendous personal, social, and financial costs. Therefore, there is an urgent need for novel solutions to counteract the lack of balance and prevent falls. Twenty-two subjects were submitted to an experimental protocol that included an external slipping perturbation. The signals were extracted by applying seven Inertial Measurement Units (IMU) in charge of recording the kinematics of the lower limbs at a frequency of 100 Hz. The extracted signals were sorted, and the packets lost during the registration were identified. It was labelled each heel strike timestamp as a “normal”, “slipping”, or “turning step” using the gyroscope’s data. A cross-correlation was applied to observe if the “normal” and “slipping step” presented a distinctive behaviour in the acceleration across all the subjects, IMUs, and axis; however, such a procedure did not achieve the desired results. It was calculated the acceleration's mean, median, standard deviation, and root mean square, using an appropriate moving window to simulate a real-time situation. It originated two rules: the peak and the area rule. Using the best ten combinations of each rule, eight hypotheses of test were created. Then, they were implemented into the classifier, using a confusion matrix to verify their effectiveness. The results showed that the peak rules and the IMU of the foot provided the best findings, achieving F-scores of 88.24 % and 82.05 %, respectively. As expected, the foot’s IMU showed the most promising results along the study. In conclusion, this algorithm could successfully trigger active systems to mitigate the impact on the ground or counteract the lack of balance in the long-term future.
Falls are a significant threat to the elder and amputee's health, causing severe injuries such as broken bones or a head injury and resulting in tremendous personal, social, and financial costs. Therefore, there is an urgent need for novel solutions to counteract the lack of balance and prevent falls. Twenty-two subjects were submitted to an experimental protocol that included an external slipping perturbation. The signals were extracted by applying seven Inertial Measurement Units (IMU) in charge of recording the kinematics of the lower limbs at a frequency of 100 Hz. The extracted signals were sorted, and the packets lost during the registration were identified. It was labelled each heel strike timestamp as a “normal”, “slipping”, or “turning step” using the gyroscope’s data. A cross-correlation was applied to observe if the “normal” and “slipping step” presented a distinctive behaviour in the acceleration across all the subjects, IMUs, and axis; however, such a procedure did not achieve the desired results. It was calculated the acceleration's mean, median, standard deviation, and root mean square, using an appropriate moving window to simulate a real-time situation. It originated two rules: the peak and the area rule. Using the best ten combinations of each rule, eight hypotheses of test were created. Then, they were implemented into the classifier, using a confusion matrix to verify their effectiveness. The results showed that the peak rules and the IMU of the foot provided the best findings, achieving F-scores of 88.24 % and 82.05 %, respectively. As expected, the foot’s IMU showed the most promising results along the study. In conclusion, this algorithm could successfully trigger active systems to mitigate the impact on the ground or counteract the lack of balance in the long-term future.
Descrição
Tese de Mestrado Integrado, Engenharia Biomédica e Biofísica , 2022, Universidade de Lisboa, Faculdade de Ciências
Palavras-chave
Marcha de andar IMU Prevenção de quedas Deteção de perturbações externas por deslize Algoritmo classifier Teses de mestrado - 2023