tecniche di classificazione e predizione delle ... - DSpace@Roma3

Tecniche di classificazione e predizione delle attività motorie per telemonitoraggio e
teleriabilitazione
usando un accelerometro che ha una risposta in continua, ovvero utilizzandolo cioè
come inclinometro, e rilevate con diverse metodologie [19, 20, 21, 22, 23, 24]. Più
specificamente per il rischio di cadute sono stati implementati molti sistemi di
classificazione delle situazioni di rischio, che necessitano di una notevole fase di
training per evitare situazioni di falsi positivi. Ad esempio, tramite l’utilizzo di reti
neurali e features estratte da sensori inerziali quali accelerometri e giroscopi, sono
stati addestrati classificatori con campioni di circa 30 soggetti anziani con diversi
fattori di rischio di cadute, identificate tramite la scala di Tinetti, e testati su 100
soggetti altrettanto diversificati. La classificazione della situazione di rischio cadute
fornita dalla rete ha fornito dati incoraggianti, addirittura superiori a sistemi
addestrati grazie alle stime delle densità di probabilità a priori in un classificatore di
Bayes classico [25]. Altri sistemi di classificazione del rischio di cadute prevedono
l’utilizzo di un accelerometro triassiale posizionato sulla cintura che estrapoli, in una
acquisizione a lungo termine, i parametri del cammino ritenuti utili in un’analisi di
tipo quantitativo del cammino, e tramite essi produca in uscita una identificazione
del rischio di caduta/non rischio di caduta. In questo caso sono stati utilizzati
classificatori basati sugli alberi di decisione [26].
Metodi alternativi sono stati proposti grazie all’utilizzo del suono come una soluzione
alternativa al video tele monitoraggio, grazie all'individuazione e la classificazione
dei suoni allarmanti in un ambiente rumoroso. Il sistema di analisi audio è diviso in
due fasi: individuazione del suono e classificazione. La prima fase di analisi
(individuazione del suono) consiste nell’estrazione di suoni significativi da un flusso
continuo del segnale audio proveniente dall’ambiente, di solito rumoroso, ed è
costituito da un algoritmo di rilevazione basato sulla trasformata discreta wavelet. La
seconda fase del sistema è la corretta classificazione, che utilizza un approccio
statistico per individuare i suoni sconosciuti, tramite parametri ricavati dalle wavelet.
Il sistema proposto presenta un 3% di tasso di mancato allarme e gli autori lo
propongono come sistema che può essere fuso con altri sensori biomedici per
12