Detectores de caídas para teléfonos inteligentes basados en algoritmos de detección de novedad

178 Pages·2014·5.76 MB·Spanish

Departamento de Ingenier´ıa El´ectrica, Electro´nica y de Control
Escuela T´ecnica Superior de Ingenieros Industriales
Detectores de ca´ıdas para
tele´fonos inteligentes basados
en algoritmos de deteccio´n de
novedad
Autor: Carlos Toma´s Medrano Sa´nchez
Licenciado en Ciencias F´ısicas
Diploma de Estudios Avanzados en Ingenier´ıa El´ectrica, Electro´nica y de
Control
Director: Dr. D. Manuel Alonso Castro Gil
Codirectora: Dra. D.a Inmaculada Plaza Garc´ıa
2014

Agradecimientos
El apartado de agradecimientos de una tesis doctoral suele comenzar con un
reconocimiento a los directores de tesis. Este documento no va a ser una ex-
cepci´on, pero no me ha resultado dif´ıcil encontrar los motivos. Simplemente, sin
mis directores la tesis no estar´ıa hecha. ¡Gracias Manuel! ¡Gracias Inma! Ma-
nuel Castro me ha abierto las puertas del Departamento de Ingenier´ıa El´ectrica,
Electr´onica y de Control. Durante estos an˜os me ha mostrado su val´ıa profesional
y humana. Ha tenido una visi´on amplia para sondear posibles temas de tesis,
corrigiendo el camino cuando era necesario. Su apoyo en los peores momentos
tambi´en ha sido importante para m´ı, mostr´andose siempre accesible y cercano.
A pesar de trabajar en una universidad distinta, estoy seguro de que el futuro
nos depara todav´ıa muchas colaboraciones interesantes. La ayuda de Inmaculada
Plaza tambi´en ha sido imprescindible, transmiti´endome su coraje y haci´endome
ver que s´ı, que esta locura de realizar otra tesis era posible. La labor de Inma-
culada Plaza es encomiable. Ha creado un grupo de investigaci´on, EduQTech, en
un centro pequen˜o, la Escuela Universitaria Polit´ecnica de Teruel, donde muchas
personas han tenido (y algunas todav´ıa tienen) una mentalidad cerril e ignorante
frente a la investigaci´on. La u´nica contribucio´n de muchos compan˜eros es poner
piedras en el camino de los dem´as. Pues bien, el grupo EduQTech ha sido recono-
cido por el gobierno de Arag´on, el primero en el Campus de Teruel en el a´mbito
tecnol´ogico. Adema´s, muy acertadamente, ha orientado el grupo hacia el campo
de la tecnolog´ıa aplicada a la mejora de la calidad de vida, especialmente con el
uso de tecnolog´ıas mo´viles, lo que se ha venido en llamar mHealth, l´ınea en la
cual se encuadra mi tesis. El grupo est´a intentando crecer con ilusi´on y fuerza,
para lo cual espero haber aportado mi grano de arena.
Quer´ıa extender mi agradecimiento a los miembros de EduQTech con los que
he coincidido, siempre en un ambiente agradable. Hemos trabajado juntos en
muchos proyectos. Gracias a Rau´l, A´ngel, Antonio, Jos´e y al resto de miembros
i
ii
del grupo. Dentro del trabajo de tesis tambi´en he podido empezar a colaborar
con el grupo de Begon˜a Garc´ıa, en la Universidad de Deusto, y con Habib M.
Fardoun, de la Universidad King Abdulaziz, en Arabia Saud´ı. Gracias por estas
posibilidades que habr´a que reforzar en el futuro. Asimismo, Marta y Mari Cruz,
del Grupo de investigaci´on en Salud Mental en Atenci´on Primaria, liderado por
Javier Garc´ıa Campayo, me echaron una mano con el papeleo para el Comit´e de
E´tica.
Mi agradecimiento tambi´en para los voluntarios que han participado en la
simulaci´on de ca´ıdas y en la recogida de datos. Su aportaci´on ha sido imprescin-
dible. Dentro del grupo de voluntarios, quiero tambi´en agradecer la disposici´on de
la asociaci´on de Fibromialgia, S´ındrome de Fatiga Cr´onica y Sensibilidad Qu´ımi-
ca Mu´ltiple de Teruel (AFIFASEN), as´ı como a varias pacientes de Fibromialgia
del Centro de Salud del Arrabal de Zaragoza. Las pruebas y estudios preliminares
que hemos realizado con ellas no se han desarrollado lo suficiente como para dar
lugar a un cap´ıtulo de tesis, que finalmente se ha centrado s´olo en ca´ıdas. Sin
embargo, me gustar´ıa destacar su disponibilidad y voluntad, que es un ejemplo
para todos nosotros.
Finalmente, quisiera expresar mi agradecimiento a todas aquellas personas
(profesores, compan˜erosde trabajo) que me hanhecho ampliar mis conocimientos
en algu´n campo. Al final, todos esos conocimientos forman un poso que permite
afrontar mejor los problemas.
Acr´onimos y t´erminos
ACC: Precisio´n (accuracy) de un clasificador.
ADL: Actividades de la vida diaria (Activities of Daily Living).
AUC: A´rea bajo la curva ROC.
CV: Validacio´n cruzada (Cross Validation).
DB: Base de datos de ca´ıdas y ADL en 10 voluntarios menores de 45 an˜os.
DB-LL: Base de datos de ca´ıdas y ADL en 10 voluntarios menores de 45
an˜os, de la que se extraen s´olo los datos en los que se detecta inactividad (long-lie
period) despu´es del pico.
DN: Detector de novedad.
FI: ´Indica de ca´ıda, Fall Index.
FN: Falso negativo (False Negative).
FP, FPR: Falso positivo (False Positive), relacio´n de falsos positivos.
GNN: NN gen´erico, que utiliza las ADL de unas personas distintas a aquellas
a las que se aplica el detector.
GSM: Sistema globalparacomunicaciones mo´viles (GlobalSystem forMobile
Communications).
GPS: Sistema de posicionamiento global (Global Positioning System).
GSVM: SVM gen´erico.
Hw: Hardware.
HMM: Modelo oculto de Markov (Hidden Markov Model).
IMEI:Identificacio´ninternacionaldeequipomo´vil(InternationalMobileEquip-
ment Identification).
KDE:Estimaci´ondedensidadmedianteKernels(KernelDensityEstimation).
k-means+NN: Algoritmo de NN en el que se ha realizado una clusterizacio´n
previa de las entradas.
kNN: k-vecino ma´s cercano.
iii
iv
kNN-sum: Una variante de kNN en la nota de anomal´ıa se obtiene sumando
la distancia a los k-vecinos.
LOF: Factor de novedad local (Local Outlier Factor).
NN: Vecino ma´s cercano (Nearest Neighbour).
NNO: Vecino ma´s cercano aplicado a ca´ıdas con cambio de orientacio´n. Para
ser considerado como ca´ıda, debemos tener un cambio de orientacio´n m´ınimo.
NNOV: Vecino ma´s cercano aplicado a ca´ıdas con cambio de orientacio´n y
velocidad m´ınima. Para ser considerado como ca´ıda, debemos tener un cambio
de orientacio´n m´ınimo y una velocidad final m´ınima.
OCSVM: M´aquina de vectores soporte de una clase, (One Class SVM).
PNN: NN personalizado utilizando s´olo las ADL de una persona dada.
PSVM: SVM personalizado.
ROC:Curva Caracter´ıstica Operativadel Receptor (Receiver OperatingCha-
racteristics).
SE: Sensibilidad (Sensitivity).
SMLR: Regresi´on Log´ıstica Multinomial Dispersa (Sparse Multinomial Lo-
gistic Regression).
SMS: Servicio de mensajes cortos (Short Message Service).
SP: Especificidad (Specificity).
SVM: M´aquina de Vectores Soporte (Support Vector Machine).
Sw: Software.
TP, TPR: Verdadero positivo (True Positive), relacio´n de verdaderos positi-
vos.
TUG: Test de tiempo de levantarse y caminar (Timed Up and Go test).
Resumen
Las ca´ıdas son un importante problema de salud pu´blica con graves conse-
cuencias f´ısicas y psicol´ogicas entre la poblaci´on mayor, adema´s de econ´omicas
para los sistemas de salud. La deteccio´n temprana de una ca´ıda permitir´ıa aliviar
sus consecuencias. A pesar del gran nu´mero de trabajos cient´ıficos realizados,
estos sistemas de deteccio´n no se han popularizado y todav´ıa es necesario encon-
trar un sistema fiable, robusto, aceptado por los usuarios y de coste asumible.
Los sistemas basados en Visi´on por Computador est´an restringidos a un entorno
dado y hay una gran diversidad de algoritmos, lo que indica que no se ha en-
contrado el definitivo. Los dispositivos port´atiles con sensores se pueden usar en
cualquier sitio, pero pueden suponer una incomodidad para el usuario o bien el
usuario puede olvidar llevarlo consigo. Sin embargo, si se integrase el detector
en un tel´efono inteligente, estos problemas desaparecer´ıan en gran medida. En
esta tesis se plantea el uso de algoritmos de deteccio´n de novedad en tel´efonos
inteligentes de gama media.
Los tel´efonos inteligentes son dispositivos cada vez ma´s populares. Aunque
no est´an adaptados para personas mayores, un disen˜o cuidadoso podr´ıa ayudar
a superar esta barrera. Por otro lado, est´a claro que los mayores del futuro ya
estara´n habituados a ellos. Los dispositivos de gama media poseen unos precios
razonables e incluyen sensor de aceleracio´n y las funciones de comunicacio´n.
Por otro lado, se han probado numerosos algoritmos para detectar ca´ıdas a
partir de datos de aceleracio´n, desde simples umbrales hasta t´ecnicas ma´s com-
plejas de Aprendizaje Autom´atico. Las t´ecnicas de deteccio´n de novedad se basan
en modelar el comportamiento (movimiento) normal, por lo que una ca´ıda se de-
tecta como una anomal´ıa. Esto puede ser adecuado por varios motivos. Mientras
que apenas hay datos fiables de ca´ıdas reales, s´ı que pueden recogerse datos ver-
daderos de las actividades de la vida diaria (ADL), tantos como se desee. Por
otro lado, cuando una nueva persona lleva el mo´vil es posible recoger sus datos
v
vi
y re-entrenar el sistema, adapt´andose a las diferencias con respecto a un sistema
gen´erico, tales como tipos de movimientos o lugar en que se lleva el m´ovil.
Para llevar a cabo la investigaci´on se ha realizado una base de datos con 10
voluntarios, que realizaron ca´ıdas simuladas y llevaron el mo´vil en su vida diaria
para obtener datos de ADL. La base de datos se ha hecho pu´blica, siendo una
de las pocas que se pueden encontrar en el ´ambito de las ca´ıdas, y mejorando las
anteriores en cuanto a nu´mero de registros.
Con esta base de datos se ha realizado un an´alisis a posteriori. Se han compa-
rado varios detectores de novedad que constituyen el estado del arte de la t´ecnica,
siendo el vecino ma´s cercano (NN) el ma´s adecuado. Despu´es se ha comparado
con un clasificador tradicional, una ma´quina de vectores soporte (SVM). SVM
resulta tener mejores prestaciones en una comparaci´on est´andar, si se enfrenta
a un tipo de ca´ıda diferente, o a una frecuencia de muestreo diferente. Sin em-
bargo, si el mo´vil se lleva en un sitio distinto (bolsillo-bolso) o se personaliza,
NN puede igualar o incluso superar a SVM. La inclusi´on de condiciones adiciona-
les, por ejemplo una deteccio´n de inactividad o un cambio de orientacio´n, puede
mejorar los resultados. Una estimacio´n a partir de ADL de personas mayores,
indica que nuestro sistema puede llegar a obtener un nu´mero de falsos positivos
por semana razonable en algunas personas, mientras que en otras todav´ıa habr´ıa
que mejorarlo. Se ha desarrollado una aplicaci´on mo´vil como prueba de concepto,
comprobando su funcionamiento correcto.
Comotrabajofuturo,seplanteandosvertientes. Enunavertientema´st´ecnica,
se puede intentar mejorar los algoritmos de vecino ma´s cercano suavizando la
regio´n de decisio´n. Por otro lado, y contrariamente a nuestra base de datos, ser´ıa
necesario contar con datos de personas mayores incluyendo toda la l´ınea temporal
durante varios d´ıas para poder hacer una an´alisis de todas las fases de una posible
ca´ıda.
Summary
Falls are an important public health problem, leading to severe physical and
psychological consequences among the elderly and economic consequences for
health systems. A prompt detection of falls could alleviate these problems. Des-
pite the large number of scientific studies, this kind of detectors has not become
popular and a reliable and robust detector, usable by the elderly and at an affor-
dable price, would be welcome. Computer Vision-based systems are restricted to
a given environment and the variety of published algorithms indicates that the
ultimate solution has not been found yet. Wearable sensors can be used at any
place and time, but they are not comfortable and the user can forget to wear
them. However, if the sensors were integrated in a smartphone, these drawbacks
will disappear toa greatextent. Inthisthesis, we proposetouse novelty detection
algorithms in mid-range smartphones.
Smartphones are becoming very popular. Even though they are not adapted
for older people, a suitable design could help to overcome this barrier. Besides, it
is clear that the elderly in the future will get used to utilising them. Mid-range
devicesincludeaccelerometersandcommunicationfunctionsatareasonableprice.
On the other hand, several algorithms has been tested to detect falls from ac-
celerometer data, either simple thresholds or more complex Machine Learning
techniques. Novelty detection techniques model the normal behaviour (move-
ment), so that a fall could be detected as an anomaly. This is interesting for
several reasons. While real fall data are scarce, it is easy to record true data of
activities of daily living (ADL), as much as needed. In addition, whenever a new
user carries the phone, it can record new data and re-train the system. In this
way the detector can adapt to conditions different from those of the first training
phase, like the kind of movements or the place where the phone is worn.
To carry on our study, we have registered a data set with ten volunteers, who
simulated falls and carried the phone in their daily life for several days. The data
vii
viii
set is publicly available, being one of the few that can be found for fall detection,
and improving the others in terms of number of records.
An off-line analysis has been made with our data set. We have compared
some of the state-of-the-art novelty detection algorithms. We have selected the
nearest neighbour (NN) as the most suitable. Then, we have compared it with
a traditional classifier, a Support Vector Machine (SVM). SVM outperforms NN
in a standar cross-validation, in a cross-validation by fall type or if the system
operates at a different sampling frequency. Nevertheless, if the phone is worn in
a different place (pocket - hand bag) or if it is personalized, NN reaches or even
exceeds SVM in performance. Additional conditions regarding the inactivity or
the orientation change after the fall can improve the results. We have estimated
the number of false positives per week in a set of ADL of older people. We
have found a reasonable number for some of them, but the system has still to
ameliorate for others. A mobile application has been developed as a proof-of-
concept, checking its correct operation.
Our future lines of work will be splitted in two sides. Firstly, from a more
technical point of view, we would like to improve NN algorithms by smoothing
the decision boundary. Secondly, we think that it would be highly desirable to
record data from older people all over the time line for several days, without gaps,
unlike our first data set, in order to take into account all the phases of a potential
fall.