Please use this identifier to cite or link to this item: https://hdl.handle.net/10216/106085
Author(s): Alcino João Silva de Sousa
Title: Screening tool to assess the risk of falling
Issue Date: 2017-07-11
Abstract: Some of our capacities and functional mechanisms tend to become impaired with aging. What kind of impact can a fall have on someone's life? Falls have major consequences over time and may even lead to institutionalization or death. They carry lots of costs on treatment, not only for the one that falls, but also to the national medical system. It is possible to know who has a greater risk for falling and then, through some intervention, avoid falls. Some examples of risk factors for falls are: muscle weakness, poor gait/balance, and many others, having multiple factorial sources and many measuring formats. A good combination and evaluation of risk factors is needed to assess the risk for falling and an easy to apply, not time consuming with good accuracy and precision solution that combines multiple factors is not yet in the ideal stage of development. This work was developed in partnership with Fraunhofer Portugal AICOS. The Association has developed a wireless device with inertial sensors that allows the extraction of movement metrics in the evaluation tests of the risk factors along with balance metrics extracted with the pressure platform developed by Sensing Future, partner of their FallSensing project. In the scope of the same project, in partnership with ESTeSC - Coimbra Health School, data relative to the risk factors was collected from various persons in various contexts and conditions. All the data collected was stored on a database, including the data collected from the sensors and the information on the occurrence of falls in the following six months after the initial collection of data. The objective of the present work is to determine which are the most relevant factors and metrics from the sensors and how they can be combined to distinguish between persons that will fall in the future from the ones who won't. The approach was based on the application of Machine Learning methods, namely supervised learning classification algorithms, trying to understand which of the algorithms and combination of methods would allow a better distinction between the group of people that had fallen from the remaining, having as basis the comparison of their performance metrics.
Description: Algumas das nossas capacidades e mecanismos funcionais tendem a ficar debilitadas com o envelhecimento. Que tipo de impacto é que uma queda pode ter na vida de alguém? As quedas acarretam consequências graves e podem levar à institucionalização ou até mesmo à morte. Para além disso, têm custos elevados, não só para a pessoa que cai, mas também para o sistema de saúde nacional. É possível saber quem tem um maior risco de queda e, através de intervenções, evitá-las. Alguns exemplos dos fatores de risco que influenciam a ocorrência de quedas são: fraqueza muscular, presença de marcha/equilíbrio anormais, entre outros, tendo por isso uma origem multifatorial e sendo medidos em escalas variadas. Uma boa combinação e avaliação destes fatores de risco são necessárias para determinar o risco de queda, mas uma solução de aplicação fácil e rápida, com boa precisão, que permita quantificar o risco de queda ainda não existe num estado ideal. A presente dissertação foi desenvolvida em parceria com a Fraunhofer Portugal AICOS. A Associação desenvolveu um dispositivo sem fios com sensores inerciais que permite extrair métricas de movimento nos testes de avaliação do risco de queda em conjunto com métricas de equilíbrio extraídas da plataforma de pressões desenvolvida pela Sensing Future, parceira do projeto Fall Sensing. No âmbito do mesmo projeto e com a parceria da ESTeSC - Coimbra Health School foram recolhidos dados relativos aos fatores de risco de várias pessoas, de vários contextos e condições. Toda a informação recolhida foi concentrada numa base de dados, incluindo a informação extraída pelos sensores bem como a informação da ocorrência de quedas nos 6 meses seguintes à recolha dos dados. O objetivo desta dissertação é determinar quais são os fatores e métricas mais relevantes dos sensores, compreender como devem ser combinados de forma a permitir a distinção entre pessoas que provavelmente vão cair num futuro próximo daquelas que, provavelmente, não vão cair. A abordagem baseou-se na aplicação de métodos de Machine Learning, nomeadamente de classificação supervisionada, na tentativa de perceber quais os algoritmos e que combinação de métodos permitem melhor distinguir o grupo de pessoas que caiu nos 6 meses seguintes das restantes, tendo como base a comparação das suas métricas de desempenho.
Subject: Engenharia electrotécnica, electrónica e informática
Electrical engineering, Electronic engineering, Information engineering
Scientific areas: Ciências da engenharia e tecnologias::Engenharia electrotécnica, electrónica e informática
Engineering and technology::Electrical engineering, Electronic engineering, Information engineering
TID identifier: 201794519
URI: https://hdl.handle.net/10216/106085
Document Type: Dissertação
Rights: openAccess
License: https://creativecommons.org/licenses/by-nc-nd/4.0/
Appears in Collections:FEUP - Dissertação

Files in This Item:
File Description SizeFormat 
202921.pdfScreening tool to assess the risk of falling1.1 MBAdobe PDFThumbnail
View/Open


This item is licensed under a Creative Commons License Creative Commons