توانايي روشهاي مبتني بر موجك در تشخيص عبور از موانع در مسير حركت انسان با استفاده از سنسورهاي پوشيدني

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

توانايي­هاي حركتي و كيفيت آن‌ها تأثير مستقيم و بسزايي بر كيفيت زندگي دارند. برخورد با موانع هنگام راه رفتن امري غيرقابل‌اجتناب است و توانائي عبور كم‌خطر از روي آن‌ها معياري از توانايي حركت در افراد جامعه است. گيركردن به موانع بهنگام عبور از روي آن‌ها يكي از شايع­ترين علل سقوط بر زمين است كه خود يكي از دلايل عمده بستري شدن و مرگ و مير ناشي از جراحت در سنين بالا و بيماري پاركينسون است. الگوريتم­هايي كه براي پايش حركت در افراد در معرض خطر سقوط مورداستفاده قرار مي­ گيرند، براي بررسي تعداد و كيفيت عبور از روي موانع، نياز به تشخيص اتوماتيك اين اتفاق دارند. كارهاي بسيار مختصري در زمينه اين تشخيص اتوماتيك و فقط بر روي افراد سالم انجام‌ شده است ولي ازلحاظ محاسباتي داراي الگوريتم‌هاي پيچيده‌اي مي­باشند. به ­علاوه موانعي كه در حركات روزمره با آن برخورد مي‌شود، داراي ارتفاع‌هاي متنوعي مي‌باشند كه نياز به الگوريتم با توانايي‌هاي گسترده­تري براي تشخيص دارند. در اين مقاله روشي مبتني بر تبديل موجك پيوسته ارائه‌ شده و عملكرد آن در عبور از روي موانع كوتاه و بلند در شركت‌كنندگان سالم و همچنين در بيمار پاركينسون موردبررسي قرارگرفته است. ميزان صحت تشخيص اتوماتيك عبور از روي موانع توسط الگوريتم پيشنهادي براي 19 شركت‌كننده سالم 98/5 درصد و براي 12 شركت‌كننده بيمار پاركينسون 90/6 درصد به دست آمد. حداكثر خطا در تشخيص زمان عبور هريك از پاها 0/1 ثانيه بوده و قابليت خوبي در تفكيك ارتفاع موانع ­دارد.

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.