توانایی روشهای مبتنی بر موجک در تشخیص عبور از موانع در مسیر حرکت انسان با استفاده از سنسورهای پوشیدنی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی برق - دانشکده مهندسی - دانشگاه بناب

2 گروه مهندسی الکترونیک - دانشکده مهندسی برق و کامپیوتر - دانشگاه تبریز

3 گروه مهندسی مکاترونیک - دانشکده مهندسی برق و کامپیوتر - دانشگاه تبریز

4 گروه علوم اعصاب بالینی – مرکز علوم سلامتی لندن - دانشگاه وسترن

5 مرکز تحقیقات سالمندی - دانشگاه مونترال - مونترال - کانادا

چکیده

توانایی­های حرکتی و کیفیت آن‌ها تأثیر مستقیم و بسزایی بر کیفیت زندگی دارند. برخورد با موانع هنگام راه رفتن امری غیرقابل‌اجتناب است و توانائی عبور کم‌خطر از روی آن‌ها معیاری از توانایی حرکت در افراد جامعه است. گیرکردن به موانع بهنگام عبور از روی آن‌ها یکی از شایع­ترین علل سقوط بر زمین است که خود یکی از دلایل عمده بستری شدن و مرگ و میر ناشی از جراحت در سنین بالا  و بیماری پارکینسون است. الگوریتم­هایی که برای پایش حرکت در افراد در معرض خطر سقوط مورداستفاده قرار می­گیرند، برای بررسی تعداد و کیفیت عبور از روی موانع، نیاز به تشخیص اتوماتیک این اتفاق دارند. کارهای بسیار مختصری در زمینه این تشخیص اتوماتیک و فقط بر روی افراد سالم انجام‌ شده است ولی ازلحاظ محاسباتی دارای الگوریتم‌های پیچیده‌ای می­باشند. به­علاوه موانعی که  در حرکات روزمره با آن برخورد می‌شود، دارای ارتفاع‌های متنوعی می‌باشند که نیاز به الگوریتم با توانایی‌های گسترده­تری برای تشخیص دارند. در این مقاله روشی مبتنی بر تبدیل موجک پیوسته ارائه‌ شده و عملکرد آن  در عبور از روی موانع کوتاه و بلند در  شرکت‌کنندگان سالم و همچنین در بیمار پارکینسون موردبررسی قرارگرفته است. میزان صحت تشخیص اتوماتیک عبور از روی موانع توسط الگوریتم پیشنهادی برای 19 شرکت‌کننده سالم 5/98 درصد و برای 12 شرکت‌کننده بیمار پارکینسون 6/90 درصد به دست آمد. حداکثر خطا در تشخیص زمان عبور هریک از پاها 1/0 ثانیه بوده و قابلیت خوبی در تفکیک ارتفاع موانع­دارد.

کلیدواژه‌ها

عنوان مقاله [English]

Crossing obstacles in a walkway: on the capability of wavelet-based detection strategies using wearable sensor data

نویسندگان [English]

  • Fariborz Rahimi 1
  • Reza Eyvazpour 2
  • Behzad Nobahar 3
  • Mandar Jog 4
  • Christian Duval 5
1 Department of Electrical Engineering, Faculty of Engineering, University of Bonab
2 Department of Electronics, Faculty of Electrical and Computer Engineering, University of Tabriz
3 Department of Electronics, Faculty of Electrical and Computer Engineering, University of Tabriz
4 Department of Clinical Neurological Sciences, Western University, Canada
5 Département de kinanthropologie, UQAM, Montreal, Canada
چکیده [English]

Mobility and its quality has direct and significant effect on quality of life. Passing over obstacles is unavoidable and its safe execution is a measure of mobility for community dwellers particularly for elderly and Parkinson patients with higher risk of falling. Algorithms for monitoring mobility in high risk people, need automatic detection to examine frequency and quality of passing over obstacles. Very few attempts can be found in the literature who just focus on the healthy population who need complex algorithms. Furthermore, in real life situations, people encounter a range of obstacle heights that should be detectable in such algorithms. In this paper a wavelet-based algorithm is examined and its performance is evaluated in detection of tall and short obstacles for two groups of healthy and Parkinson participants. Accuracy of this method was 98.5% for the 19 healthy elderly participants, and 90.6% for the 12 Parkinson patients. The maximum error in detection of obstacle crossing time was 0.1 second for either feet and for both barrier heights.

کلیدواژه‌ها [English]

  • Obstacle crossing
  • walking over
  • signal processing
  • wavelet
  • automatic detection
  • wearable sensor

مراجع

[1]             C. Fagerström and G. Borglin, “Mobility, functional ability and health-related quality of life among people of 60 years or older Aging Clinical and Experimental Research,” Aging Clin Exp Res, vol. 22, no. 5, pp. 387–394, 2010.
[2]             M. Forhan and S. V. Gill, “Obesity, functional mobility and quality of life,” Best Pract. Res. Clin. Endocrinol. Metab., vol. 27, no. 2, pp. 129–137, 2013.
[3]             S. R. Lord, J. A. Ward, P. Williams, and K. J. Anstey, “An epidemiological study of falls in older community‐dwelling women: the Randwick falls and fractures study,” Aust. J. Public Health, vol. 17, no. 3, pp. 240–245, 1993.
[4]             M. J. D. Caetano, S. R. Lord, D. Schoene, P. H. S. Pelicioni, D. L. Sturnieks, and J. C. Menant, “Age-related changes in gait adaptability in response to unpredictable obstacles and stepping targets,” Gait Posture, vol. 46, pp. 35–41, 2016.
[5]             S. C. Huang, T. W. Lu, H. L. Chen, T. M. Wang, and L. S. Chou, “Age and height effects on the center of mass and center of pressure inclination angles during obstacle-crossing,” Med. Eng. Phys., vol. 30, no. 8, pp. 968–975, 2008.
[6]             S. Amatachaya, W. Pramodhyakul, and K. Srisim, “Failures on obstacle crossing task in independent ambulatory patients with spinal cord injury and associated factors,” Arch. Phys. Med. Rehabil., vol. 96, no. 1, pp. 43–48, 2015.
[7]             F. Feuvrier et al., “Inertial measurement unit compared to an optical motion capturing system in post-stroke individuals with foot-drop syndrome,” Ann. Phys. Rehabil. Med., no. 2018, 2019.
[8]             R. Vitório et al., “Disease severity affects obstacle crossing in people with Parkinson’s disease,” Gait Posture, vol. 40, no. 1, pp. 266–269, 2014.
[9]             L. Alcock, B. Galna, J. M. Hausdorff, S. Lord, and L. Rochester, “Gait & Posture Special Issue: Gait adaptations in response to obstacle type in fallers with Parkinson’s disease,” Gait Posture, vol. 61, no. January, pp. 368–374, 2018.
[10]          V. A. I. Pereira et al., “Parkinson’s patients delay fixations when circumventing an obstacle and performing a dual cognitive task,” Gait Posture, vol. 73, pp. 291–298, 2019.
[11]          L. A. Schrodt, V. S. Mercer, C. A. Giuliani, and M. Hartman, “Characteristics of stepping over an obstacle in community dwelling older adults under dual-task conditions,” Gait Posture, vol. 19, no. 3, pp. 279–287, 2004.
[12]          E. L. Stegemller, T. A. Buckley, C. Pitsikoulis, E. Barthelemy, R. Roemmich, and C. J. Hass, “Postural instability and gait impairment during obstacle crossing in parkinson’s disease,” Arch. Phys. Med. Rehabil., vol. 93, no. 4, pp. 703–709, 2012.
[13]          Y. H. Liu, M. Y. Kuo, R. M. Wu, Z. Y. Chen, and T. W. Lu, “Control of the Motions of the Body’s Center of Mass and End-Points of the Lower Limbs in Patients with Mild Parkinson’s Disease During Obstacle-Crossing,” J. Med. Biol. Eng., vol. 38, no. 4, pp. 534–543, 2018.
[14]          V.-R. Heli, A. Rauhala, and L. Fagerström, “Person-centered home-based rehabilitation for persons with Parkinson’s disease – a scoping review,” Int. J. Nurs. Stud., p. 103395, 2019.
[15]          E. Twardzik et al., “What features of the built environment matter most for mobility? Using wearable sensors to capture real-time outdoor environment demand on gait performance,” Gait Posture, vol. 68, pp. 437–442, 2019.
[16]          C. Xu, J. He, X. Zhang, C. Wang, and S. Duan, “Template-Matching-Based Detection of Freezing of Gait Using Wearable Sensors,” Procedia Comput. Sci., vol. 129, pp. 21–27, 2018.
[17]          S. Rezvanian and T. E. Lockhart, “Towards real-time detection of freezing of gait using wavelet transform on wireless accelerometer data,” Sensors (Switzerland), vol. 16, no. 4, 2016.
[18]          D. Patashov et al., “Methods for Gait Analysis During Obstacle Avoidance Task,” Ann. Biomed. Eng., 2019.
[19]          F. S. Ayachi, H. P. Nguyen, C. Lavigne-Pelletier, E. Goubault, P. Boissy, and C. Duval, “Wavelet-based algorithm for auto-detection of daily living activities of older adults captured by multiple inertial measurement units (IMUs),” Physiol. Meas., vol. 37, no. 3, pp. 442–461, 2016.
[20]          A. B.K., W. A.M., and K. D.B., “An introduction to wavelet transforms for chemometricians: A time- frequency approach,” Chemom. Intell. Lab. Syst., vol. 37, no. 2, pp. 215–239, 1997.
[21]          P. Addison, J. Walker, and R. Guido, “Time - Frequency analysis of biosignals,” IEEE Engineering in Medicine and Biology Magazine, vol. 28, no. 5. pp. 14–29, 2009.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار