Detección de caídas con reloj inteligente (smartwatch) para personas mayores

Abstract

El tanto por ciento de personas mayores de 65 años en España aumenta año tras año. Gran parte de este colectivo vive solo en sus casas, hecho que hace que las familias se preocupen por su estado de salud al no recibir actualizaciones continuas por parte de, por ejemplo, un cuidador. La finalidad de este proyecto es analizar la viabilidad de crear un reloj inteligente con dos funcionalidades: detección de caídas, y análisis de fibrilación auricular, el tipo de arritmia más común y la que provoca más infartos de miocardio. A nivel de datos de acelerómetro, se han podido encontrar suficientes datos etiquetados, es decir, lecturas de acelerómetro en las que se indican la actividad que se está realizando. Además, es factible crear datos propios a partir del reloj inteligente realizando acciones y capturándolas, como para llegar a tener un buen modelo que clasifique caídas. Se ha realizado el entrenamiento de 4 métodos de aprendizaje supervisado, y se ha conseguido obtener una detección de caídas con una sensibilidad muy alta, clasificando de manera correcta hasta un 96% de las caídas. Por otro lado, no se han podido encontrar suficientes datos de PPG (fotopletismografía) de personas sanas y personas con arritmias. La generación de estos datos a partir de nuestro reloj tampoco es fácil al tener que contar con ii gente con esta patología. Por ello, resulta más difícil crear un modelo que pueda predecir fibrilación auricular, por falta de datos.

El tant per cent de persones majors de 65 anys a Espanya augmenta any rere any. Gran part d'aquest col·lectiu viu sol a casa seva, fet que fa que les famílies es preocupin pel seu estat de salut al no rebre actualitzacions contínues per part de, per exemple, un cuidador. La finalitat d'aquest projecte és analitzar la viabilitat de crear un rellotge intel·ligent amb dues funcionalitats: detecció de caigudes, i anàlisi de fibril·lació auricular, el tipus d'arítmia més comú i la que provoca més infarts de miocardi. A nivell de dades de acceleròmetre, s'han pogut trobar prou dades etiquetats, és a dir, lectures de acceleròmetre en què s'indiquen l'activitat que s'està realitzant. A més, és factible crear dades pròpies a partir de l'rellotge intel·ligent realitzant accions i capturant, com per arribar a tenir un bon model que classifiqui caigudes. S'ha realitzat l'entrenament de 4 mètodes d'aprenentatge supervisat, i s'ha aconseguit obtenir una detecció de caigudes amb una sensibilitat molt alta, classificant de manera correcta fins a un 96% de les caigudes. D'altra banda, no s'han pogut trobar suficients dades de PPG (fotopletismografía) de persones sanes i persones amb arítmies. La generació d'aquestes dades a partir del nostre rellotge tampoc és fàcil a l'haver de comptar amb ii gent amb aquesta patologia. Per això, resulta més difícil crear un model que pugui predir fibril·lació auricular, per falta de dades.

The percentage of people over 65 years old in Spain increases year after year. A significant part of this group lives alone in their homes, a fact that makes families worry about their health condition as they do not receive continuous feedback from, for example, a caregiver. The purpose of this project is to analyze the viability of creating an smartwatch with two functions: detection of falls, and analysis of atrial fibrillation, the most common type of arrhythmia and the one that causes more strokes. Regarding accelerometer data, it has been possible to find enough labeled data, that is, accelerometer readings that indicate the activity being performed. In addition, it is feasible to create your own data from the smartwatch by performing actions and capturing them, as to get a good model that classifies falls. We have trained 4 supervised learning methods, and we have managed to obtain a fall detection with a very high sensitivity, classifying correctly up to 96% of the falls. On the other hand, it has not been possible to find enough PPG (photoplethysmography) data of healthy people and people with arrhythmias. The generation of this data from our watch is not easy either, since we have to count on people with this pathology. Therefore, it is more difficult to create a model that can predict atrial fibrillation, due to lack of data.