• rischio di caduta
• svm
• fall detection
• falling risk
• tripping
• slipping
• lack of balance
• perdita di equilibrio
• support vector machine
• matlab algorithm
• pre-impact

IT

L’obiettivo di questo lavoro è di sviluppare un algoritmo matlab in grado di processare i segnali, provenienti da una rete di sensori inerziali (IMU), e identificare la perdita di equilibrio, a seguito di un inciampo, in un tempo inferiore a 500 ms, e con il minor numero di falsi allarmi.
I dati sono stati raccolti da 6 soggetti coinvolti in una serie di azioni sperimentali che prevedevano una perturbazione esterna di inciampo, durante una camminata a 3 diverse velocità: 2.5 km/h, 3.5 km/h e 4.5 km/h, definite da un tapis roulant.
L'estrazione dei segnali è stata effettuata mediante l'applicazione di 7 sensori d'inerzia, incaricati di registrare la cinematica degli arti inferiori, di cui uno posizionato sulla pelvi e gli altri 6 posizionati sui 3 links d'interesse di entrambe le gambe, ossia la coscia, la gamba ed il collo del piede. In particolare, si è focalizzata l’attenzione sui dati estratti dal sensore posizionato sul piede destro, ossia quello che veniva perturbato durante la prova, dal momento che gli altri sensori non registravano variazioni significative.
I segnali estratti sono stati pre-processati offline prevedendo una prima fase di ordinamento dei campioni ed una individuazione dei pacchetti che inevitabilmente vanno persi nel corso della registrazione. In tal caso, è stata prevista l'introduzione di una spline, che potesse ricostruire il corretto andamento del segnale originario. Durante il processing, si è provveduto ad un'estrazione di alcune delle principali features probabilistiche, in accordo con quanto fatto da altri studi sperimentali di questo genere, presenti in letteratura, mediante l'applicazione di un'opportuna finestra mobile. Quest'ultima è stata ottenuta definendo correttamente il numero di campioni costituenti un gap ed un bin, basati su una frequenza di campionamento di 100 Hz.
In seguito, le features sono state inserite in matrici specifiche, sia per la camminata costante, sia per l’inciampo, e sono state impiegate per il training ed il testing di una Support Vector Machine (SVM). Quest’ultima doveva essere in grado di effettuare una detection dei falsi positivi, relativi alla steady-walking phase e dei falsi negativi, relativi alla tripping phase. Successivamente, il classificatore SVM è stato testato con un data stream sconosciuto, in accordo con il LOOCV, ossia un processo di cross-validazione di tipo leave-one-out.
Allo stesso tempo, si è ideato e costruito un setup sperimentale per la registrazione di segnali relativi ad una perturbazione esterna di scivolamento, dal momento che l’idea è sfruttare lo stesso processo indipendentemente dal tipo di soggetti coinvolti e dal tipo di perturbazione generata, affinché non si debba ricorrere ad un subject specific training.

EN

The objective of this work is to develop a matlab algorithm capable of processing the signals, coming from a network of inertial sensors (IMU), and identifying the loss of balance, following a trip, in a time of less than 500 ms. , and with the least number of false alarms.
The data were collected from 6 subjects involved in a series of experimental actions that included an external tripping perturbation, during a walk at 3 different speeds: 2.5 km / h, 3.5 km / h and 4.5 km / h, defined by a treadmill. .
The extraction of the signals was carried out through the application of 7 inertia sensors, in charge of recording the kinematics of the lower limbs, one of which positioned on the pelvis and the other 6 positioned on the 3 links of interest of both legs, that is the thigh, the leg and the instep of the foot. In particular, attention was focused on the data extracted from the sensor positioned on the right foot, that is, the one that was perturbed during the test, since the other sensors did not register significant changes.
The extracted signals were pre-processed offline by providing a first phase of sorting the samples and identifying the packets that are inevitably lost during the recording. In this case, the introduction of a spline was envisaged, which could reconstruct the correct trend of the original signal. During the processing, some of the main probabilistic features were extracted, in accordance with what has been done by other experimental studies of this kind, present in the literature, by applying an appropriate floating window. The latter was obtained by correctly defining the number of samples constituting a gap and a bin, based on a sampling frequency of 100 Hz.
Later, the features were inserted into specific matrices, both for constant walking and for stumbling, and were used for the training and testing of a Support Vector Machine (SVM). The latter had to be able to detect false positives relating to the steady-walking phase and false negatives relating to the tripping phase. Subsequently, the SVM classifier was tested with an unknown data stream, in accordance with the LOOCV, i.e. a leave-one-out cross-validation process.
At the same time, an experimental setup was designed and built for recording signals relating to an external sliding perturbation, since the idea is to exploit the same process regardless of the type of subjects involved and the type of perturbation generated, so that there is no need to resort to subject specific training.