First advances in near fall detection and prediction when using a walker

Abstract

Falls are a major concern to society. Several injuries associated with falls need medical care, and in the worst-case scenario, a fall can lead to death. These consequences have a high cost for the population. In order to overcome these problems, a diversity of approaches for detection, prediction, and prevention of falls have been tackled. Walkers are often prescribed to subjects who present a higher risk of falling. Thus, it is essential to develop strategies to enhance the user's safety in an imminent danger situation. In this sense, this dissertation aims to develop a strategy to detect a near fall (NF) and its direction as well as the detection of incipient near fall (INF) while the subject uses a walker. Furthermore, it has the purpose of detecting two gait events, the heel strike (HS) and the toe-off (TO). The strategies established, in this work, were based on the data gathered through an inertial sensor placed on the lower trunk and force sensors placed on the insoles. Following data collection, the methodology adopted to identify the situations aforementioned was based on machine learning algorithms. In order to reach the model with best performance, many combinations of different classifiers were tested with three feature selection methods. Regarding the detection of NF, the results achieved presented a Matthews Correlation Coefficient (MCC) of 79.99% being possible to detect a NF 1.76±0.76s before its end. With the implementation of the post-processing algorithm, a large part of the false positives was eliminated being able to detect all NF 1.48±0.68s before its end. Concerning the models built to distinguish the direction of the NF, the best model presented accuracy of 58.97% being unable to reliably distinguish the three fall directions. The methodology followed, in this work, was unsuccessful to detect an INF. The best model presented MCC=23.87%, in this case. Lastly, with respect to the detection of HS and TO events the best model reached MCC=86.94%. With the application of the post-processing algorithm, part of misclassified samples was eliminated, however, a delay in the detection of the HS and TO events was introduced. With the post-processing it was possible to reach MCC=88.82%, not including the imposed delay.

As quedas representam uma grande preocupação para a sociedade. Várias lesões associadas às quedas necessitam de cuidados médicos e, no pior dos casos, uma queda pode levar à morte. Estas consequências traduzem-se em custos elevados para a população. A fim de ultrapassar estes problemas, várias abordagens têm sido endereçadas para deteção, previsão e prevenção das quedas. Os andarilhos são muitas vezes prescritos a sujeitos que apresentam um risco de queda maior. Desta forma, é essencial desenvolver estratégias para aumentar a segurança do utilizador perante uma situação de perigo iminente. Neste sentido, esta dissertação visa desenvolver uma estratégia que permita a deteção de uma quase queda (NF) e a sua direção, assim como a deteção incipiente de uma NF (INF). Para além disso, tem o objetivo de detetar dois eventos de marcha, o heel strike (HS) e o toe-off (TO). As estratégias definidas, neste trabalho, basearam-se nos dados recolhidos através de um sensor inercial posicionado no tronco inferior e de sensores de força colocados nas palmilhas. Após a aquisição dos dados, a metodologia adotada para identificar as situações anteriormente referidas foi baseada em algoritmos de machine learning. Com o intuito de obter o modelo com melhor desempenho, várias combinações de diferentes classificadores foram testadas com três métodos de seleção de features. No que concerne à deteção da NF, os resultados alcançados apresentaram um Matthews Correlation Coefficient (MCC) de 79.99% sendo possível detetar uma NF 1.76±0.76s antes do seu final. Com a implementação do algoritmo de pós-processamento, grande parte dos falsos positivos foram eliminados, sendo possível detetar todas as NF 1.48±0.68s antes do seu final. Em relação aos modelos construídos para distinguir a direção da NF, o melhor modelo apresentou uma precisão (ACC) de 59.97%. A metodologia seguida neste trabalho não foi bem sucedida na deteção INF. O melhor modelo apresentou um MCC=23.87%. Relativamente à deteção dos eventos, HS e TO, o melhor modelo atingiu um MCC=86.94%. Com a aplicação do algoritmo de pós-processamento parte das amostras mal classificadas foram eliminadas, no entanto, foi introduzido um atraso na deteção do HS e do TO. Com o pós-processamento foi possível obter um MCC=88.82%, não incluindo o atraso imposto pelo pós-processamento.