فناوری تشخیص سقوط سالمندان
براساس گزارش سازمان بهداشت جهانی، زمین‌خوردن دومین عامل مرگ‌ومیر تصادفی در سراسر جهان است. فناوری تشخیص سقوط به‌منظور کاهش خطرهای زمین‌خوردن و افتادن افراد ابداع شده است. برای افراد مسن، خطرهای مرتبط با زمین‌خوردن بسیار زیاد است.
تحقیقات انجام‌شده در ایالات متحده، نشان می‌دهد که بیش از یک نفر از هر چهار نفری که 65 سال یا بیشتر دارند، هر ساله زمین می‌خورند و یک‌پنجم این زمین‌خوردن‌ها به آسیب جدی، مانند شکستگی لگن یا ضربه به سر، منجر می‌شود.
با توجه به اینکه جمعیت سالمندان هر سال درحال افزایش است، خطرهای سلامت در سالمندان به یکی از نگرانی‌های سیستم بهداشت عمومی تبدیل شده است. در طول فرایند پیری، تحرک افراد کاهش می‌یابد و احتمال زمین‌خوردن و سقوط افراد بیشتر می‌شود که ممکن است سبب جراحات و حتی مرگ شود.
می‌توان به‌صورت هوشمندانه، علت این حوادث را پیش‌بینی و از آن‌ها پیشگیری کرد و هزینه‌های مالی ناشی از آن‌ها را کاهش داد. بنابراین، سیستم مبتنی بر حسگر اینرسی، می‌تواند ابزار مناسبی برای رفع نیاز به تشخیص سقوط در سالمندان باشد.
در این پژوهش، سیستمی کم‌هزینه برای تشخیص سقوط پیشنهاد می‌شود. این حسگر اینرسی داده‌ها را جمع‌آوری و چهار حالت مختلف سقوط را شناسایی می‌کند و تشخیص می‌دهد. هدف، استفاده از این سیستم در بهداشت عمومی است. در زمان واقعی، این سیستم هر فردی را که در اطراف سالمند باشد، از سقوط آگاه می‌کند.
طبقه‌بندهای مختلف یادگیری ماشین در مجموعة داده آموزشی آزمایش و بهترین آن‌ها برای آموزش داده‌های حسگر استفاده می‌شوند. سپس مدل با داده‌های حسگر ناشناخته (داده‌های ثبت‌شده و موجود) مقایسه می‌شوند تا تشخیص داده شود که فرد در کدام حالت قرار دارد. در تمامی آزمایش‌ها، تنها پانزده مشاهدة نادرست وجود داشت. بنابراین، این سیستم قابلیت استفاده برای تشخیص سقوط را دارد.
تشخیص سقوط
تشخیص سقوط نوعی فناوری است که از ادراک ماشین و تجزیه‌وتحلیل تصویری برای تشخیص سقوط افراد استفاده می‌کند. این فناوری به‌ویژه برای کسانی طراحی شده است که از بیماری یا معلولیت رنج می‌برند و برای پرستار و خانواده هشدارهای فوری ایجاد می‌کند تا بتوانند اقدامات فوری انجام دهند.
تشخیص سقوط به‌طور خودکار از طریق الگوریتم‌های پیشرفتة یادگیری عمیق با دقت زیاد انجام می‌شود و راه‌حل مناسبی برای مکان‌هایی است که تعداد زیادی از افراد به مراقبت نیاز دارند. به این ترتیب، یک مراقب یا پرستار به‌طور بالقوه، می‌تواند در صورت نیاز، از افراد بیشتری مراقبت کند.
این سیستم‌های تشخیص مبتنی بر هوش مصنوعی، با سطح دقتی ثابت، هفت روز هفته و بیست‌وچهارساعته کار می‌کنند. فناوری تشخیص سقوط امکان شناسایی سریع را برای افرادی که دچار سقوط شده‌اند، فراهم می‌کند. این قابلیت می‌تواند آسیب‌های جسمی و روحی ناشی از سقوط و همچنین زمان بعد از حادثه را کاهش دهد. همچنین، به افرادی که در معرض خطر زمین‌خوردن هستند و به مراقبان و خانواده‌هایشان، اطمینان خاطر می‌دهد.
در آینده، این سیستم‌ها به فیزیوتراپیست‌ها و پزشکان دیگر کمک خواهند کرد تا نه‌تنها زمان وقوع سقوط، بلکه شرایط پیرامون سقوط را نیز به‌وضوح درک کنند و درمان بهتری برای فرد مدنظر ارائه دهند. علاوه بر این، هزینه‌های گزاف بستری‌شدن در بیمارستان کاهش می‌یابد. بنابراین، این فناوری سیستم‌های سقوط کم‌هزینه را بررسی کرده است تا نیاز سیستم بهداشت عمومی برای کاهش هزینه‌ها و بهبود کیفیت زندگی سالمندان را برآورده کند.
با توجه به این عوامل، فناوری انتخاب‌شده شامل حسگرهای اینرسی است که دستگاه‌های الکترونیکی‌اند. هستة اصلی دستگاه‌های تشخیص سقوط، حسگرهای آن‌ها هستند که تغییرات در حرکت و جهت‌گیری را اندازه‌گیری می‌کنند. شتاب‌سنج‌ها تغییرات ناگهانی سرعت را تشخیص می‌دهند، درحالی‌که ژیروسکوپ‌ها برای اندازه‌گیری نرخ چرخش یا جهت جسم استفاده می‌شوند. این حسگرها الگوهای معمول سقوط را شناسایی می‌کنند.
زمانی که سقوط تشخیص داده می‌شود، دستگاه می‌تواند هشدار را در لحظه، به یک شماره تماس تعیین‌شده ارسال کند. این ویژگی برای اطمینان از کمک سریع، کاهش زمانِ ماندن فرد روی زمین و احتمالاً به‌حداقل‌رساندن شدت آسیب‌ها، بسیار مهم است.
بیشتر دستگاه‌های پوشیدنی به‌گونه‌ای طراحی شده‌اند که ساده و راحت باشند و اطمینان حاصل شود که می‌توانند به‌طور مداوم پوشیده شوند. آن‌ها اغلب به‌شکل دست‌بند، گردن‌بند، یا گیره‌هایی هستند که به‌راحتی به لباس‌ها متصل می‌شوند.
دستگاه‌های پوشیدنی تشخیص سقوط، سبک و قابل حمل هستند و به کاربران اجازه می‌دهند آن‌ها را هم داخل خانه و هم بیرون بپوشند. این قابلیت حمل، نظارت مداوم را تضمین می‌کند؛ خواه فرد در خانه باشد، یا در پارک قدم بزند، یا فعالیت‌های روزانة خود را انجام دهد.
مدل‌های پیشرفته‌تر، داده‌ها را در طول زمان جمع‌آوری می‌کنند و می‌توان آن‌ها را برای درک الگوهای سقوط و کمک به تنظیم اقدامات پیشگیرانه، تجزیه‌وتحلیل کرد. همچنین، این داده‌ها می‌توانند برای مدیریت بهتر سلامت فرد، با ارائه‌دهندگان خدمات بهداشتی به اشتراک گذاشته شوند.
برخی از دستگاه‌های تشخیص سقوط می‌توانند با سیستم‌های نظارت بهداشتی گسترده‌تر ادغام شوند و رویکرد جامع‌تری برای مراقبت از بیمار فراهم کنند. بنابراین، هدف از این کار، پیشنهاد سیستمی کم‌هزینه و مبتنی بر حسگرهای اینرسی است که سقوط در جمعیت سالمندان را با استفاده از طبقه‌بندی‌های یادگیری ماشین، تشخیص دهد.
آناتومی سقوط و شیوع آن در جمعیت سالمندان
مراد از اصطلاح سقوط، رویدادی غیرعمدی است که در آن، بدن بدون توانایی اصلاح فوری، از موقعیت اولیة خود به سطحی پایین‌تر حرکت می‌کند و همین باعث بی‌ثباتی فرد می‌شود.
سقوط و جراحات ناشی از این حالت، اکنون به‌عنوان یکی از مشکلات بهداشت عمومی شناخته شده است که در کشورهایی با جمعیت سال‌خوردة پیشرفته، تأثیرات اجتماعی زیادی دارد. در شرایط آناتومی انسانی، سقوط معمولاً در یکی از دو صفحه به نام‌های صفحة ساژیتال و صفحة کرونال اتفاق می‌افتد.
طبق یکی از مطالعات انجام‌شده، سقوط بدن از یک موقعیت ایستا، در ارتفاع h=H در نظر گرفته می‌شود. در ابتدا، بدن انرژی پتانسیل گرانشی ذخیره‌شده دارد که در طول سقوط، به انرژی جنبشی تبدیل می‌شود و بالاترین مقدار آن دقیقاً قبل از برخورد با زمین است (h=0). در هنگام برخورد، بدن انرژی را به‌طور کامل جذب می‌کند و پس از برخورد، هر دو انرژی پتانسیل گرانشی و جنبشی، برابر با صفر می‌شود. درست قبل از برخورد، بدن فرد درحال سقوط آزاد است و شتاب گرانشی برابر با شتاب بدن است.
جمعیت سالمند رشد سریعی دارد و همین موضوع به افزایش شیوع بیماری‌های مزمن و تحلیل‌برنده، منجر شده است. براساس مطالعات، حدود 30 درصد از سالمندان 65ساله و بیشتر، هر سال یک یا چند بار سقوط می‌کنند.
بیشتر سقوط‌ها نتیجة تعامل عوامل مرتبط با فرد (ذاتی) و عوامل محیطی (غیرذاتی) هستند. عوامل ذاتی شامل سن، سقوط‌های قبلی، کاهش دقت بینایی، سرگیجه، اختلالات تعادل و راه‌رفتن، آسیب‌های سیستم عصبی، اختلالات حرکتی، اختلال در مکانیزم‌های تنظیم فشار خون که زمینه‌ساز افت فشار خون هستند، اختلالات شناختی، افسردگی و اختلالات خواب می‌شوند.
عوامل غیرذاتی به شرایط نورپردازی، پله‌ها، صندلی‌ها، میزها، تخت‌ها، حمام‌ها، کفش‌ها، موانع فیزیکی و استفادة بیش از چهار نوع دارو مرتبط است. خطر سقوط در افراد، پس از بستری‌شدن در بیمارستان بیشتر است؛ به‌ویژه در ماه اول پس از ترخیص. شکل 1 آناتومی افتادن و زمین‌خوردن را نشان می‌دهد.
شکل 1. آناتومی افتادن
یادگیری ماشین
یادگیری ماشین حوزه‌ای از علم است که توانایی ماشین‌ها را برای درک داده‌ها بررسی می‌کند. این حوزه شامل توسعة الگوریتم‌هایی است که به رایانه‌ها امکان می‌دهد الگوهای پیچیده را بیاموزند و بر اساس آن، تصمیمات هوشمندانه بگیرند.
فرایند یادگیری شامل طیف گسترده‌ای از فرایندهاست که تعریف آن‌ها دشوار است. با استفاده از یادگیری ماشین، امکان تولید چهارچوب‌هایی به‌صورت سریع و خودکار وجود دارد که اجازه می‌دهند داده‌های بزرگ‌تر و پیچیده‌تر تحلیل و نتایج سریع‌تر و دقیق‌تری، حتی در مقیاس بسیار بزرگ، ارائه شوند.
بنابراین، پیش‌بینی‌های یادگیری ماشین می‌تواند سبب تصمیمات و اقدامات هوشمندانه‌تر در زمان واقعی و بدون دخالت انسان شود. در زمینة یادگیری، حجم داده‌های مورد نیاز توسط الگوریتم یادگیری، اهمیت زیادی دارد.
الگوریتم‌های یادگیری می‌توانند بسیاری از مسائل را حل کنند؛ مانند تشخیص زمین‌خوردن و سقوط افراد. الگوریتم یادگیری ماشین می‌تواند هر مسئله‌ای را براساس داده‌های ورودی، به‌شکل متفاوتی مدل‌سازی کند. بنابراین، قبل از ورود به الگوریتم‌ها، مهم است که چندین طبقه‌بندي یادگیری، که به‌شکل گسترده استفاده می‌شوند، تحلیل شوند.
این شیوة سازمان‌دهی الگوریتم‌ها، به انتخاب الگوریتم مناسب برای حل یک مسئلة خاص براساس مجموعه‌داده‌های ورودی و فرایند آماده‌سازی مدل کمک می‌کند و نتایج مؤثری به دست می‌دهد. الگوریتم‌های یادگیری ماشین را می‌توان براساس سبک یادگیری، به سه گروه مختلف تقسیم کرد: یادگیری نظارت‌شده ، یادگیری بدون نظارت و یادگیری تقویتی . این بررسی به یادگیری نظارت‌شده می‌پردازد که یکی از مهم‌ترین روشهای یادگیری ماشین است.
داده‌های آموزشی شامل بردارهای داده‌های ورودی و خروجی مدنظرند. پس از مرحلة داده‌های آموزشی، انتظار می‌رود که ماشین یادگیری، الگوهایی را در داده‌ها پیدا و آن را به خروجی‌های مربوط مرتبط کند. بنابراین، یکی از اولین تصمیمات اتخاذ‌شده، انتخاب نوعی الگوریتم یادگیری ماشین مناسب است. سپس، براساس نتایجی مانند دقت طبقه‌بندی، زمان ساخت مدل و پیچیدگی الگوریتم، مناسب‌ترین الگوریتم با توجه به نیازها انتخاب می‌شود.
یکی از مهم‌ترین عوامل در یادگیری نظارت‌شده، کیفیت داده‌های آموزشی است. اگر انتظار این است که ماشین در موقعیت‌های ناشناخته، به‌خوبی عمل کند، داده‌های آموزشی باید به‌اندازة کافی جامع و دقیق باشند تا ماشین بتواند مدل مناسبی بسازد.
اگر داده‌های آموزشی شامل تمام موقعیت‌های واقعی نباشند، مدل حاصل از یادگیری نظارت‌شده ممکن است به بیش‌برازش دچار شود. برای مثال، مدل در داده‌های شناخته‌شده عملکرد بسیار خوبی دارد، اما در داده‌های ناشناخته ضعیف عمل می‌کند.
عامل دیگر در یادگیری نظارت‌شده، طبقه‌بندی است که بخشی از مدل یادگیری نظارت‌شده است که در آن، الگوریتم پیش‌بینی می‌کند که دادة جدید در کدام کلاس قرار می‌گیرد. در این پژوهش، از الگوریتمK ، نزدیک‌ترین همسایه (KNN) استفاده شده است.
الگوریتم KNN یکی از پرکاربردترین الگوریتم‌های طبقه‌بندی است؛ زیرا ساده و به‌راحتی قابل پیاده‌سازی است. این روش یادگیری نیازی به آموزش ندارد، اما در مرحلة طبقه‌بندی، الگوریتم از طریق تمامی داده‌های آموزشی عبور می‌کند تا فاصلة اقلیدسی بین آن‌ها و داده‌های ورودی را محاسبه و کلاس دادة ورودی را پیش‌بینی کند.
مزایای این مدل عبارت‌اند از: آموزش بسیار سریع، ساده و آسان برای یادگیری و مقاوم در برابر داده‌های آموزشی نویزی. معایب آن نیز عبارت‌اند از: تمایل به‌سمت مقدار بهینة K، پیچیدگی محاسباتی، محدودیت حافظه، کندبودن به‌عنوان الگوریتم یادگیری نظارت‌شده و به‌راحتی تحت‌تأثیر ویژگی‌های غیرمرتبط قرارگرفتن. از آنجا که مدل با استفاده از داده‌های آفلاین آموزش داده شده است، این معایب برای این مطالعه مسئله‌ای ایجاد نمی‌کند.
رویکردهای فناورانه برای تشخیص سقوط
در تصویربرداری حرکت برای تشخیص سقوط، سه رویکرد اصلی از سیستم‌ها وجود دارد: مبتنی بر دید، محیطی و پوشیدنی. رویکرد مبتنی بر دید، از دوربین‌های ثابت استفاده می‌کند که به‌طور مداوم، حرکت بیماران را ضبط می‌کنند. اطلاعات به الگوریتم‌های تصویری ارسال می‌شوند که می‌توانند الگوی سقوط را تشخیص دهند و هشدار تولید کنند.
روشهای مبتنی بر دید ممکن است به شناسایی عدم تحرک محدود شوند؛ مثلاً زمانی که بیمار پس از سقوط، بدون حرکت روی زمین دراز می‌کشد و همچنین تحلیل تغییر شکل بدن و در نهایت، بررسی حرکت سه‌بعدی سر، مانند مشاهدة موقعیت و سرعت سر. استفاده از سیستم مبتنی بر دید برای تصویربرداری از حرکت، مزایایی مانند امکان شناسایی جزئیات حرکات پیچیده را ارائه می‌دهد.
استفاده از دستگاه‌های محیطی رویکرد دیگری است که در آن، حسگرها در مکان‌های مدنظر نصب می‌شوند. زمانی که افراد با محیط تعامل دارند، حسگرهای مادون قرمز یا فشار در مکان مدنظر، می‌توانند سقوط را شناسایی کنند.
دو رویکرد مبتنی بر دید و دستگاه‌های محیطی، به زیرساخت‌های ازپیش‌ساخته‌شده نیاز ندارند و این امکان را فراهم می‌کنند تا در بیمارستان‌ها و خانه‌ها استفاده شوند. عیب اصلی این سیستم‌ها دشواری استفاده از آن‌ها در فضای باز است.
در رویکرد پوشیدنی، بیمار حداقل یک دستگاه پوشیدنی استفاده می‌کند. این دستگاه‌ها معمولاً به حسگرهای حرکتی مانند شتاب‌سنج مجهزند. این راه‌حل مزایایی مانند هزینة کم نصب در فضاهای داخلی و خارجی، اندازة کوچک، عمر طولانی باتری و امکان جمع‌آوری اطلاعات فیزیولوژیکی (مانند نبض، ECG، EEG و غیره) دارد. در بازار، انواع مختلفی از حسگرهای پوشیدنی وجود دارد که می‌توانند برای نظارت بر فعالیت‌های حرکتی انسان استفاده شوند.
شکل 2. بلوک دیاگرام سیستم
این پروژه به‌دلیل مزایای هزینة کم نصب، آزادی استفاده از حسگرها در فضای داخلی و خارجی و اندازة کوچک، از فناوری حسگرهای اینرسی استفاده می‌کند. درمجموع، از تمامی آزمایش‌ها با استفاده از حسگر اینرسی پوشیدنی، 2416 مشاهده جمع‌آوری شد و بسته به وضعیت آزمایش‌ها، به چهار دسته طبقه‌بندی شدند (ایستاده، درازکشیده، سقوط، حالت بیهوشی). این وضعیت‌ها به‌عنوان نشانگرهای فرایند سقوط تعریف شدند.
بحث و نتیجه‌گیری
سقوط و زمین‌خوردن یکی از مشکلات جدی بهداشت عمومی هستند که جامعه و دولت نمی‌توانند آن را نادیده بگیرند. علاوه بر این، سقوط‌ها در واقع رویدادهای بیماری‌زای چندعاملی هستند که باعث آسیب‌ها، اختلالات عاطفی، اختلالات عملکردی و مرگ می‌شوند. می‌توان علل آن‌ها را تشخیص داد و از آن‌ها پیشگیری کرد. این موضوع به کاهش بیماری‌زایی، مرگ‌ومیر و هزینه‌های مالی منجر می‌شود.
برای افزایش این پیشگیری، لازم است جامعه آموزش داده شود، متخصصان آموزش ببینند و تیم‌های آموزش‌دیده دستورالعمل‌‌های معتبری را برای ارزیابی و مداخله در سطح مراقبت‌های بهداشتی اولیه به کار بگیرند. این پروژه به بررسی سقوط در سیستم بهداشت عمومی پرداخته و با استفاده از طبقه‌بندی‌های یادگیری ماشین، پیشنهاد شده است. این مطالعه مدلی را با استفاده از داده‌های شتاب‌سنج آموزش داده و آن را با داده‌های ناشناخته آزمایش کرده است.
نتایج نشان داده‌اند که استفاده از سیستم تشخیص نام‌برده در بهداشت عمومی، با تنها پانزده مورد مثبت کاذب (شخص سالم به‌اشتباه بیمار تشخیص داده شد)، مفید بوده است. براساس این نتایج، بسیاری از موارد استفادة بالقوه از سیستم تشخیص سقوط می‌توانند پیشنهاد شوند.
این سیستم ارزان‌تر، برای نصب آسان‌تر و به‌راحتی قابل حمل و قابل استفاده در هر محیطی است. کارهای آینده شامل استفاده از این سیستم برای تشخیص دقیق‌تر و استفاده در زمان واقعی برای تشخیص سقوط خواهد بود که می‌تواند به نفع سیستم بهداشت عمومی باشد.
منبع
1. Rodrigues.B, Salgadoa.P, “Fall Detection System by Machine Learning Framework for Public Health”, Procedia Computer Science, 141 (2018) 358–365.
