التخصص: تقنية المعلومات

التخصص الدقيق: تقييم مخاطر السقوط

المستخلص: مع النمو السريع لتكنولوجيا الاستشعار القابلة للارتداء وتسويقها تجاريًا، يتوقع مجتمع البحث إمكانات كبيرة لتطبيقات شبكة استشعار منطقة الجسم (BASN) في صناعة الرعاية الصحية، بما في ذلك الرعاية الصحية لكبار السن. نحن نعتبر مسألة السقوط لدى كبار السن، والتي لها عواقب وخيمة بما في ذلك الوفاة. معظم المقترحات ذات الصلة في الأدب هي رد الفعل. في هذه الورقة، نقترح آلية استباقية لتقييم مخاطر السقوط لكبار السن من خلال إجراء تحليل إجهاد العضلات على البيانات التي تم جمعها باستخدام BASN الذي يتكون من أجهزة استشعار يمكن ارتداؤها. نناقش أولاً تطبيق Android الذي تم تطويره داخليًا والذي يتصل بأجهزة استشعار EMG القابلة للارتداء والمثبتة على جسم الإنسان لجمع بيانات عن أربعة أنشطة بما في ذلك المشي والجلوس والنهوض من الكرسي وتمديد الكاحل (عطف ظهري وثني الفانوس) في بيئة خاضعة للرقابة. ثم نقدم خوارزمية تقييم مخاطر السقوط التي تحسب درجة تقييم مخاطر السقوط بناءً على مستويات مختلفة من إرهاق العضلات. لقد اختبرنا الخوارزمية الخاصة بنا باستخدام أربع ميزات لتحديد إجهاد العضلات في عضلتين من الأطراف السفلية، أي عضلات الظنبوب (TM) وعضلة الساق (GM). يتم عرض نتائج تنفيذ السيناريوهات المختلفة في Matlab كدليل على صحة المفهوم. نتائج تقييمنا لسلوك عضلتين من الأطراف السفلية في أنشطة مختارة تبرر ادعاءنا بأن التعب العضلي في هاتين العضلتين يمكن أن يؤدي إلى السقوط عند شخص مسن.

Abstract: With the rapid growth and commercialization of wearable sensor technology, the research community foresees great potential of Body Area Sensor Network (BASN) applications in the healthcare industry, including elderly healthcare.We consider the issue of fall in elderly, which has severe consequencesincluding death.Most of the related proposals in the literature are reactive. In this paper, we propose a proactive Fall Risk Assessment mechanism for elderly by performing Muscle Fatigue Analysis on data collected using BASN consisting of wearable sensors. We first discuss the in-house developed android application that connects with the wearable EMG sensors placed on the human body to collect data of four activities including walking, sitting and getting up from a chair, and ankle stretch (Dorsiflexion and lanter flexion) in a controlled environment. Then we present our Fall Risk Assessment algorithm that computes the Fall Risk Assessment score based on various levels of muscle fatigue.We tested our algorithm using four features to determinemuscle fatigue in two lower limbmuscles i.e. Tibilias (TM) and Gastrocnemius (GM) muscles. The implementation results of various scenarios on Matlab are presented as the proof-of-concept. Our evaluation results of two lower limb muscles behavior in selected activities justify our claim that muscle fatigue in these two muscles could lead to falling in an elderly person.

الحالة: محكم ومنشور

جهة التحكيم:

دار النشر: IEEE

سنة النشر: 2020