| Imprimer |
| Detecting and analzing physical activity in older adults using wearable sensors towards frailty trajectory assessment (Détection et analyse de l'activité physique chez les personnes âgées à l'aide de capteurs portables pour l'évaluation de la trajectoire de fragilisation) Abbas, Manuel - (2021-12-09) / Universite de Rennes 1 Detecting and analzing physical activity in older adults using wearable sensors towards frailty trajectory assessment
| |||
Langue : Anglais Directeur(s) de thèse: Le Bouquin Jeannès, Régine Discipline : Signal, image, vision Laboratoire : Laboratoire de Traitement du Signal et de l'Image Ecole Doctorale : MATHSTIC Classification : Sciences de l'ingénieur Mots-clés : détection, classification, signaux physiologiques, capteurs, activité physique, telemonitoring
| |||
Résumé : Caractérisée par un affaiblissement de la fonction physique, la fragilité toucherait, en France, 4 personnes âgées sur 5 de 85 ans et plus. Dans ce contexte, afin de suivre l’activité physique des seniors et d’analyser leur trajectoire de fragilisation, nos travaux ont consisté à proposer un système de surveillance automatisé basé sur des capteurs portables. Ce système se compose de deux couches distinctes, un premier module d’apprentissage automatique pour identifier les activités physiques et un second pour analyser la sortie précédente. Concernant le premier module, deux approches ont été développées. La première, complexe en temps de calculs, considère en entrée des signaux acquis par un accéléromètre, un gyroscope et un magnétomètre, et est basée sur l’orientation du dispositif portable, combinant à la fois un processus d’extraction manuelle de caractéristiques et des réseaux de deep learning. La seconde, peu coûteuse et pouvant être embarquée, exploite des caractéristiques temporelles locales des seuls signaux d’accélération. Une fois ces signaux labellisés, ils viennent alimenter le second module. Deux types de mesures de l’activité sont alors extraits des données étiquetées pour évaluer l’état de santé des personnes âgées, à savoir des variables globales calculées au cours d’une journée, et des variables locales caractérisant la démarche. Une étude longitudinale sur des données acquises en conditions non supervisées au cours de la vie quotidienne de sujets âgés (robustes, préfragiles et fragiles) a permis d’attester l’efficacité et la faisabilité de notre solution. Abstract : Frailty is a geriatric syndrome characterized by physiological weakening that would affect 4 out of 5 people over 85 years old in France. In this context, our work consisted in proposing a wearable sensor-based fully automated system to monitor the activity of elderly with a view to analyze the frailty trajectory. This system consists of two layers, namely a machine learning-based human activity recognition (HAR) module to detect activities of daily living (ADLs), and a second module to analyze the ADLs. Regarding the first module, two HAR approaches were developed. The first one considers data acquired from an accelerometer, a gyroscope and a magnetometer, and is highly complex, based on sensing unit orientation, combining both handcrafted features and deep learning networks. The second one is an embeddable solution which exploits local temporal characteristics of acceleration signals exclusively. Once localized, the ADLs represented by windowed timeseries feed the second module. Here, two types of activity and health metrics are extracted from windowed data to assess the health conditions of elderly, namely global features which are computed over the course of a day, and local features which characterize the gait. A longitudinal study on data acquired under unsupervised conditions during the daily life of senior citizens (robust, pre-frail and frail) attested to the effectiveness and feasibility of our solution. | |||