Notre méthodologie ajoute des étapes importantes, la sélection de la combinaison de capteurs, le placement et la classification, pour simplifier le système de détection des chutes avec une analyse approfondie. Il y a des travaux antérieurs qui traitent de certains problèmes de conception de détection d’automne, mais il n’y a aucun travail qui se concentre sur la méthodologie holistique pour surmonter tous ces problèmes. Cette méthodologie peut également être utilisée pour la reconnaissance de l’activité humaine dans les applications de la vie assistée, de l’évaluation de la performance sportive, de la physiothérapie et de la réadaptation.
Lorsqu’un ensemble de données est créé, des défis dus à la synchronisation, à l’organisation et à l’incohérence des données peuvent survenir. Un compromis entre une estimation précise et la complexité du modèle doit être pris en considération. Jose Pablo Nunez Martinez, assistant de recherche, et Sofia Pacheco Ibanez, étudiante en génie de premier cycle de notre laboratoire, feront la démonstration de la procédure.
Commencez par mettre en place le système d’acquisition de données pour faciliter la collecte et le stockage des données des sujets. Sélectionnez les types de capteurs portables, de capteurs ambiants et d’appareils basés sur la vision requis comme sources d’information et attribuez un ID pour chaque source d’information, le nombre de canaux par source, les spécifications techniques et le taux d’échantillonnage de chacun d’eux. Pour connecter toutes les sources d’information à un ordinateur central ou à un système informatique distribué, vérifiez d’abord que les périphériques à fil sont connectés correctement à un seul ordinateur client et vérifiez que les appareils sans fil sont entièrement chargés.
Pour configurer chaque appareil pour récupérer des données, définissez le système d’acquisition de données pour permettre le stockage de données sur le cloud et confirmez que le système d’acquisition de données remplit les propriétés appropriées de synchronisation des données et de cohérence des données. Assurez-vous de vérifier que tous les capteurs acquièrent des données de façon cohérente et simultanée et d’inclure des étiquettes pour identifier l’activité et les traits du sujet. Recueillir des exemples de données avec les appareils et stocker les données dans un système préféré.
Interrogez la base de données et déterminez si toutes les sources d’information sont collectées aux mêmes taux d’échantillonnage. Après avoir examiné les conditions requises dans les restrictions imposées par l’objectif du système, mettre en place l’environnement d’essai en plaçant un matelas ou tout autre système de plancher conforme au centre de l’environnement pour assurer la sécurité des participants. Gardez tous les objets à au moins un mètre du matelas et préparez tout équipement de protection individuelle nécessaire pour les participants.
Ensuite, installez les caméras appropriées et jumelez des capteurs infrarouges autour du matelas comme illustré. Définissez l’objectif du système de détection des chutes et de reconnaissance de l’activité humaine sur une feuille de planification et définissez la population cible de l’expérience conformément à l’objectif du système. Définissez le type d’activités quotidiennes, y compris certaines activités non-chute qui ressemblent à des chutes pour améliorer la détection réelle des chutes.
Attribuez un ID pour chaque activité et décrivez les activités le plus en détail possible. Définissez ensuite la période d’exécution de chaque activité. Définissez le type de chutes humaines et assignez un ID et décrivez chaque chute pour chaque activité ainsi que la période de temps pour chaque chute à exécuter.
Considérez si les chutes seront autogénérés par les sujets ou générés par d’autres et écrivez cette information sur la feuille de planification. Pour recueillir les données d’activité et de chute, placez les périphériques d’enregistrement sur le sujet comme illustré. Lorsque le sujet est prêt, sous la supervision d’un expert clinique ou d’un chercheur responsable, commencez la collecte de données dans le système d’acquisition de données et demandez au sujet d’effectuer les séquences d’activités et les chutes décrites dans la feuille de planification, ce qui permet d’économiser les délais du début et de la fin de chaque activité ou chute.
Vérifiez que les données de toutes les sources d’informations sont enregistrées sur le cloud après chaque activité ou chute. Pour analyser les données d’activité et de chute collectées, utilisez l’ensemble de données de fonctionnalités pour chaque méthode d’apprentissage automatique pour exécuter une validation croisée K-fold. Utilisez une mesure commune de l’évaluation comme l’exactitude pour sélectionner le meilleur modèle formé par méthode.
Ensuite, ouvrez l’ensemble de données de fonctionnalité de formation dans le logiciel de langage de programmation préféré et utilisez la bibliothèque pandas pour lire un fichier CSV comme indiqué. Divisez l’ensemble de données des fonctionnalités en paires d’entrées/sorties comme indiqué. Sélectionnez une méthode d’apprentissage automatique et définissez les paramètres.
Formez le modèle d’apprentissage automatique et calculez les valeurs d’estimation du modèle à l’aide de l’ensemble de données des fonctionnalités de test. Répétez la validation croisée k-fold du nombre de fois que K est spécifié dans la validation croisée K-fold pour chaque modèle d’apprentissage automatique sélectionné. Sélectionnez les emplacements appropriés dans l’approche multimodale si une combinaison de deux sources d’information ou plus sont nécessaires pour le système et sélectionnez la meilleure source d’information pour chaque modalité du système.
Créez un ensemble combiné de données de fonctionnalités à l’aide des ensembles de données indépendants de ces sources d’information et sélectionnez la méthode de classification de l’apprentissage automatique. Former un modèle pour ces sources combinées d’informations et répéter la validation à l’aide de l’ensemble de données combinés. Préparez ensuite un nouvel ensemble de données avec les sujets dans des conditions plus réalistes en utilisant uniquement les sources d’information sélectionnées dans l’analyse précédente.
La représentation graphique des meilleures performances obtenues pour chaque modalité selon le modèle d’apprentissage automatique et la meilleure configuration de longueur de fenêtre illustre clairement que les approches multimodales obtiennent les meilleures valeurs de score F1 par rapport à certaines approches nonimodales. Bien qu’il n’utilise notamment que des capteurs portable, une performance similaire à une approche multimodale peut être obtenue. En ce qui concerne la référence des modèles axés sur les données, la forêt aléatoire présente les meilleurs résultats dans presque toutes les expériences, tandis que le percepteur multicouche et les machines vectorielles de soutien ne sont pas très cohérents dans les performances.
La meilleure performance est obtenue lorsqu’un seul capteur est utilisé à la taille, au cou ou dans la poche droite serrée. Les capteurs portables de cheville et de poignet gauche ont exécuté le pire. En outre, la taille, le cou et les capteurs serrés de poche droite avec classificateur aléatoire de forêts dans une taille de fenêtre de trois secondes avec 50% se chevauchant sont les capteurs portables les plus appropriés pour la détection d’automne.
La caméra de vue latérale effectue la meilleure détection d’automne et le meilleur emplacement de la caméra est dans un point de vue latéral en utilisant la forêt aléatoire dans une taille de fenêtre de trois secondes et 50% se chevauchent. En outre, le classificateur aléatoire de modèle de forêt démontre la meilleure exécution dans la précision et le score de F1 dans les deux multi-modalités et la combinaison entre la taille et la caméra on classe dans la première position. Dans le cadre de nos expériences, nous avons recruté des jeunes sans déficience, mais il faut sélectionner des sujets qui correspondent à l’objectif du système et de la population cible qui utilise le système.
De simples systèmes multimodaux de détection des chutes peuvent être conçus et implémentés sur la base de cette méthodologie. Pour l’adaptation du monde réel, des approches d’apprentissage par transfert et d’apprentissage profond sont recommandées pour développer des systèmes robustes.
