Machine learning-based risk of fall estimation on the sit to start of walk sequence of activities in daily living

Over the previous years, several methods that combine both the use of biomedical and computational methods have been applied to evaluate risk of fall amongst the elderly using instrumented insoles. The implementation of machine learning techniques in gait analysis have proven itself to be a promising solution. Risk of fall analysis have generally been conducted on the walking phase of different individuals. It can be observed that an important amount of energy is required by individuals preparing to walk out of their beds or bathrooms, with most falls occur during such periods. The aim of this work is to detect two sequences of activities (sit-to-start of walk and walk to sit) and associate different risk fall levels based solely on the analysis of the sit to start of walk sequence. Firstly, based on previously acquired Test Up and Go (TUG) tests on participants with an age range of 67.7 ± 10.07, using an insole comprised of force sensors and accelerometer data, the sit-to-start of walk (STSOW) sequence was identified. Then a recursive clustering approached based on statistical features and Kruskal Wallis test was implemented to accurately define different levels of risk which were classified using machine learning approach. Test results obtained from the classifiers showed the capacity of the proposed risk of fall estimation approach to adequately associate different risk of fall from the previously identified STSOW sequence. The best accuracy was achieved using both the decision tree and ensemble classifiers. The best accuracy for the STSOW sequence of activities identification was achieved using the support vector machine (SVM) model. Furthermore, the decision tree and ensemble classifiers had the best accuracies for the risk of fall estimation Moreover, these results demonstrate the capacity of our approach to permit the analysis of risk related to specific sequences of activities. The implementation of this model will be possible within an instrumented insole device to assist elderly with neurodegenerative diseases and permit clinicians to assess the impact of a new medication and its dose on the temporal evolution of the risk. Au cours des dernières années, plusieurs méthodes combinant à la fois l'utilisation de méthodes biomédicales et informatiques ont été appliquées pour évaluer le risque de chute chez les personnes âgées à l'aide de semelles instrumentées. La mise en oeuvre de techniques d'apprentissage automatique dans l'analyse de la marche s'est avérée être une solution prometteuse. L'analyse du risque de chute a généralement été menée sur la phase de marche de différents individus. Cependant, on peut observer qu'une quantité importante d'énergie est requise par les personnes qui se préparent à sortir de leur lit ou de leur salle de bain, tandis que la plupart des chutes se produisent au cours de ces périodes. L'objectif de ce travail est de détecter deux séquences d'activités (de la position assise au début de la marche et de la marche à la position assise) et d'y associer différents niveaux de risque de chute en se basant uniquement sur l'analyse de la séquence entre la position assise et le début de la marche. Tout d'abord, sur la base des tests de la chaise chronométrée (TUG) précédemment effectués sur des participants âgés de 67,7 ± 10,07 ans, à l'aide d'une semelle composée de capteurs de force et d'accéléromètre, la séquence de la position assise au début de la marche a été identifiée. Une approche de regroupement récursif basée sur des caractéristiques statistiques et le test de Kruskal Wallis ont ensuite été mise en oeuvre pour définir différents niveaux de risque qui ont été classifiés à l'aide d'une approche d'apprentissage automatique. Les résultats des tests obtenus avec les classificateurs ont montré la capacité de l'approche proposée pour l'estimation du risque de chute à associer de manière adéquate les différents risques de chute entre la position assise et le début de la séquence de marche. La meilleure précision pour l'identification de la séquence d'activités position assise au début de la marche a été obtenue en utilisant le modèle de machine à vecteur de support (SVM). En outre, l'arbre de décision et le classificateur d'ensemble ont obtenu les meilleures précisions pour l'estimation du risque de chute. De plus, ces résultats démontrent la capacité de notre approche à permettre l'analyse du risque lié à des séquences d'activités spécifiques. La mise en oeuvre de ce modèle sera possible au sein d'une semelle instrumentée pour assister les personnes âgées atteintes de maladies neurodégénératives et permettre aux professionnels de la santé d'évaluer l'impact d'un nouveau médicament et de sa dose sur l'évolution temporelle du risque.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.