文摘

瀑布从床上经常发生当一个老年病人试图起床或接近床的边缘。这些灾难有重伤的可能性非常高,如擦伤、疼痛、骨折。此外,缺乏重新定位一个卧床不起的老人的身体可能会引起褥疮。为了避免这种风险,持续的活动监控系统需要照顾老人。在这项研究中,我们提出一个床位置分类方法基于传感器采集的信号只有四个传感器嵌入在一个小组(由两个压电传感器和两个压力传感器)。安装在床垫下在床上。床的位置被分为五个不同的类,即。off-bed,坐着,躺着中心,躺,躺好。收集的训练数据集,三个老年病人被要求同意参与实验。在我们的方法中,采用神经网络结合贝叶斯网络分类床位置和限制可能的序列床的位置。神经网络和贝叶斯网络的结果组合加权算术平均数。 The experimental results have a maximum accuracy of position classification of 97.06% when the proportion of coefficients for the neural network and the Bayesian network is 0.3 and 0.7, respectively.

1。介绍

由于老龄人口的大幅增长在今天的人口中,老年护理的需求增加了。泰国国家统计局的一项调查显示,单身老人增加到2014年的8.7%,和18.76%的老年人口生活在配偶只(1]。这是一个渐进的结果在泰国社会结构变化。大多数年轻人不得不花时间赚钱。越来越多的老人被抛弃一个人呆在家里或在养老院在工作时间离开。

未经仔细看着,老年病人会在护理问题的主要原因(2]。事故会造成严重的伤害,如擦伤、疼痛、骨折。泰国国家统计办公室的报告说,11.6%的老人经历了秋天,和46.3%的人住院治疗,其中7.8%作为住院(1]。此外,瀑布是死亡和残疾的主要原因在老年人中,高达40.4% (3]。受伤在更高年龄的死亡的可能性更高,因为健康弱点(1]。疾病控制部门,泰国公共卫生部报道,1049名老年人死于落在2015年(4]。2014年,蔡等人进行了一项研究因素的老年病人受伤跌倒在台湾医学中心(5]。他们发现,8.7%的老年患者参与了这项研究多次下降。他们中的一些人(28.6%)下降在床边,在大多数情况下是一个无助的床上退出(5]。然而,也有风险的从床上爬起来时,一位年长的病人躺床的边缘太近。此外,老年人卧床不起的病人通常不能重新定位自己,这是一个引起褥疮。理想的身体运动可以缓解长期的压力在身体。最被广泛接受的方法预防褥疮是把老年人的身体每两个小时。因此,持续的监控是不可避免的为老年人预防跌倒和褥疮。这需要大量的护理人员对老年人口的增长。老年护理可以是非常昂贵的,面临着短缺数量的护理人员,也就是只有11.1%的老年人口在报道1]。这是导致效率低下的护理服务在不久的将来。床下降和褥疮预防监测系统可以是一个互补效用支持照顾者和减少他们的工作量。系统必须能够检测一个上了年纪的病人在床上的位置和运动接近下降的容许时间照顾帮助老年患者。

可穿戴设备广泛用于老年活动监测系统(6,7]。然而,在大多数情况下,老年人可以与他们的日常生活活动感到不舒服,导致不连续监控(8,9]。另外,老年人的摄像机是不可接受的,因为隐私问题。因此,非接触传感装置是一种适当的方法连续监测老年人活动(10- - - - - -29日]。有一些报道称,使用超声波传感器、气压传感器和振动传感器(10- - - - - -12]。尽管上述研究可以确定病人是否在床上,这并不足以防止跌倒。以防摔倒,系统需要检测的位置躺在床的边缘。为了防止褥疮,躺的时间相同的位置可以通过监测观察运动。一些先前的研究使用商业压力垫系统探测到床的位置(13- - - - - -21]。然而,他们提出的压力垫系统需要大量的传感器不实用和成本在实际练习。一些研究提出的方法来减少传感阵列传感器的数量。上述研究的最小数量的传感器是16个传感器,据夏朝et al。21]。尽管研究取得了可喜的成果在床上位置分类,他们的方法仍然需要相当大量的传感器。对于这个问题,我们传感器的数量减少到只有四个在床上在我们的研究中,同时保持高精度位置分类。

在本文中,我们提出一个床位置分类基于神经网络结合贝叶斯网络,只有四个传感器的信号。我们研究的结果可以应用于预防老年褥疮和床上落。我们床位置划分为五类,即off-bed,坐着,躺着中心,躺,躺好。off-bed和坐在位置检测床出口活动非常重要,因为他们通常的位置只是床上退出之前或之后根据我们的统计分析。床的位置,系统会提醒帮助一位上了年纪的病人预防跌倒的护理在老年病人走向床边。系统也会提醒照顾者把老年病人的身体当住在几乎相同的位置允许的时间范围内(一般两个小时),防止褥疮。

2。材料

2.1。传感器面板

传感器面板是一套现成的AIVS有限公司提供的传感器面板的大小 。面板配备两种类型的传感器,即。,two piezoelectric sensors and two pressure sensors. Each pair of sensors is embedded symmetrically on each side of the panel as shown in Figure1。传感器是夹在两个腹肌板,在刚度和公司优势和难以弯曲。三明治结构使传感器公司避免了信号失真,如图2。

重量检测应用在床上,我们使用两个低成本从402年连环force-resistive传感器(FRS)。每个安装在左边和右边的面板。FSR包括两个膜分离薄气隙。力是应用时阻力减小,阻力是无限时力为零。力灵敏度范围是0.2 ~ 20 N。操作温度范围是-30到70°C。传感器是低成本的,可用于检测身体的压力,挤压,和体重,虽然很少准确。然而,其检测灵敏度是充分的加权对象在床上。

压电传感器,Murata压电膜片7 bb-15-6l0,可以改变动能之间的能源和电力能源。激振力时,电压改变。共振频率是2.8 kHz。在传感器面板,安装检测病人的振动传播活动。

两者的结合对不同类型的传感器用于检测身体的各位置在床上。面板是集胸藏在床垫下的区域,如图3。面板固定床板保持常数相对位置病人的身体。设计常用的24小时工作,避免潮湿的环境因为没有多少温度变化在医院病房或在家里。在我们的例子中,传感器并不是设计用于病情严重。

将面板在这样一个位置可以区分坐和躺在床上。图4显示四个传感器的信号之间的相关性和立场。例如,图4(一)是off-bed位置的四个传感器的信号。激活的传感器信号很低的信号相比,低激活的坐姿压电传感器的压力信号,信号仍然被发现。通常情况下,压电传感器的信号在任何位置在床上显示高活化,而他们在off-bed位置很低。对压力传感器可以用来区分躺的位置。例如,在躺中心位置,身体两侧的重量传感器在躺躺向右或向左的位置,传感器被激活的一侧,如图4 (c)- - - - - -4 (e)。在说谎位置,压力传感器的激活相当高坐的位置相比,压力传感器的激活很低。

2.2。数据结构

控制装置输出一个包的数据采样率的30个样品1秒。包包含45个字节的数据。它分为3部分:8个字节的头,四个传感器的数据34个字节,安德的3个字节。34个字节的四个传感器的数据,前两个字节包含传感器ID,和未来32个字节包含四8字节块(一块为每个传感器),即,左边的压电信号,压力信号,压电信号,对压力信号。传感器的大小是256。压电信号的值的范围是-127年到128年,和压力信号从0到256。每个传感器的采样率是30 Hz。表1显示的细节信号数据的结构方案。

2.3。数据收集

收集的数据包括传感器信号数据和相应的视频。三个老年病人的年龄在60 - 85之间,参加了实验。评价环境的影响,从两个不同的房间收集的数据用不同的传感器。两个病人收集的数据来自两个不同的房间。收集的数据是459个小时。标签标注位置通过观察相应的视频。位置标签中定义的五类,即。,off-bed (O), sitting (S), lying center (C), lying left (L), and lying right (R). The definition of each position is described as follows:(我)Off-bed (O):没有人在床上(2)坐(S):坐在床上(3)躺中心(C):主题是躺在床上的中心(iv)躺左(左):主题是躺在床的左边(v)躺(R):主题是躺在床的右边

躺在左边(左)和躺在右边(R)的位置被定义为位置的主题是躺在床的左边或右边,不管主题的横向位置。一个模棱两可的位置或改变运动是不被认为是在这个实验中。

数据集的结构如图5。由每组的累积数据 ,这被称为时间段在1秒。一个位置被称为的持有期间隔时间。通常,一个职位在一个间隔时间持续超过一秒。因此,有许多时段间隔时间。每个职位的时间长度可以衡量积累时间槽的数量。间隔时间的变化显示位置的变化。改变位置的序列就可以检测到的时间间隔序列。

3所示。位置检测

3.1。职位分类的神经网络

分类的位置在床上,从控制装置的输出信号数据,即。,左边的压电信号( ),对压电信号( ),离开压力信号( ),和正确的压力信号( ),作为神经网络的输入。这四个输入是通过神经网络中定义(1),图中所示6。

自初始重量和规模的压电传感器和压力传感器的信号是不同的,而不是使用原始值传感器,我们应用基于统一的标准化(或功能扩展)方法来消除偏见的重量来自不同机构和不同类型的传感器。所有传感器数据归一化到0到1的相同范围(30.] 在哪里是归一化值,传感器数据的吗时间序列的位置,最小是最小值和最大集合的最大价值。

积累一秒中的信号数据从传感器的采样率的财产是30 Hz,一组数据是由30样品4类型的传感器,使得120年的数据中定义的信号

3.2。连续位置估计的贝叶斯网络

在正常的实践中,并不是所有的职位都同样转换到形成一个特定的位置。例如,它更有可能,一个主题将坐在床上躺着睡觉的位置之前,虽然很少发现一个主题会跳转到躺在床的对面。估计下一个可能的过渡位置,贝叶斯网络(31日]。该方法可以抑制信号的噪声,是由于其他活动在一个不受控制的环境中。一个连续的位置的概率可以估计的前(所示位置和电流信号,4)和(5)三线形模型估计。 在哪里 , ,和职位分别是 , ,和时间序列的位置。是当前组信号组成的四个传感器信号( , , ,和 )。归一化信号分为三个层次,即。,low, middle, and high, by converting the continuous values of signal data to nominal values. For piezoelectric signals, 0-0.25, 0.26-0.50, and 0.51-1 are defined as low, middle, and high, respectively. For pressure signals, 0-0.35, 0.36-0.70, and 0.70-1 are defined as low, middle, and high, respectively.

3.3。结合神经网络和贝叶斯网络

我们应用加权算术平均数的结合神经网络和贝叶斯网络的结果,如图7和(5)。 在哪里概率神经网络,贝叶斯概率,类,和系数的总和吗和是1。

4所示。实验和结果

4.1。输入特性评价

评估培训的覆盖模型,清洁准备数据集通过消除可能的噪声信号。五类中定义的评价集,即。,subject A, subject B, subject C, the combination of subject A and subject B in the same room, and the combination of data from two different rooms (subjects A, B, and C). The features of input are conducted for 4 inputs, 120 inputs, 4 inputs with normalized signals, and 120 inputs with normalized signals.

选中的数据列在下表中2。数据集的主题由2000个样本( ),一样的主题。这意味着主题和主题B的组合在同一个房间里包括4000个样本( )。C为主题,从另一个房间,收集数据集包括1335个样本( )。完全,有5335个样本( )所示的“总”在表行2。选择数据集从四个不同的时间间隔为每个主题培训,随机分为70%和30%进行测试。组合的两个房间,数据集包含12个时间间隔,如“总”行表所示2。

表3显示功能评价试验的结果与小的干净的数据集。120年的总体性能与规范化的信号输入精度可以达到100%。总体而言,该模型基于归一化信号数据和模型基于120年积累的信号数据输入可以提供一个更好的结果相比,4-input模型。

off-bed和坐的位置,信号非常相似。例如,在坐姿,压力传感器的激活低,类似于off-bed的位置,而不是从压电传感器的信号。因此,在一些点,这两个职位看起来一样的信号,如图8和9。4的输入的准确性off-bed坐姿的位置是99.2,93.2,0.8的显示一个错误分类off-bed 6.8的坐着一个错误分类坐在off-bed,如图10。

信号数据的积累在一秒钟的时间内槽(120 -输入集)可以解决之间的混乱坐姿和off-bed位置,如图11。这是因为通过使用120的输入,神经网络可以捕获更多的上下文特征,区分从坐姿off-bed位置。

扩大单一主题的数据集的大小从2000年到394113年样本,我们在四类评价输入的特性。所选择的数据集包含了许多错误和意外的噪声信号。训练数据集也随机分为70%和30%测试。

表4显示时间间隔的数量,取样的位置数据。数据集的总大小不洁净的单一主题包括394113个样本。5位置的大小是44172,32012,90486,4820,和222643年off-bed (O),坐在(S),中心(C),躺躺(L),分别和说谎对(R)。每个位置的时间间隔的总数是42岁,160年,111年,26岁,到173年,分别。

功能评估测试主题的结果如表所示5。最好的结果是96.64%,120年与归一化信号输入的准确性。大数据集的准确性降低,因为信号的歧义。大的准确性和数据集(表不洁净5)减少,而小的数据集和清洁,如表所示3。最好的结果的表5是96.64%,而最好的结果在表吗3是99.9%。这是因为更大的数据集包括much-unexpected噪音。

4.2。职位分类的结合神经网络和贝叶斯网络

非常大的和不洁净的数据集包含了许多错误和much-unexpected噪声信号。数据12和13显示错误的一些示例。图中所示的信号12的信号,坐姿很相似的信号躺在正确的位置。这是因为这个话题就开/关右边的床上。在起床之前,主题通常坐在床的右侧移动,应用力正确的压力传感器。因此,坐在前起床可以使信号类似于撒谎对吧。

同样,在图的信号14显示信号模式的相似性之间的躺在躺在正确的位置,因为中心位置和主题倾向于呆在床的右边。

为了解决信号模棱两可的问题,我们介绍了贝叶斯网络来估计连续位置的可能性,消除这种意想不到的结果从神经网络模型输出的位置。我们创建的贝叶斯网络大数据集不洁净的主题,如表所示4。所有可能的连接位置计算的过渡网络,如图14。我们估计贝叶斯网络通过使用位置卦模型,根据(5)。

结果神经网络和贝叶斯网络估计相结合的加权算术平均数。评价系数( , )(加权算术平均数的5)的值和数据集的主题是多种多样的,如表所示6。神经网络概率系数,贝叶斯网络概率系数。精度可达到97.06%的比例系数为0.3神经网络,贝叶斯网络是0.7,如表所示6。由于这种组合模型,贝叶斯网络有效地显示了提高性能的位置估计的信号混淆的错误。

调查的细节改进,数字15显示了显著改变认识到坐姿更好地减少故障检测的躺在正确的位置,同时仍然保持其他职位分类相似的精度。坐姿检测从86.10%提高到89.07%通过减少混淆的错误检测从床上躺,职位从8.06%到6.24%和4.68%到3.91%,分别。改善坐姿检测是至关重要的护理人员在决策支持的帮助。

4.3。与其他方法比较评价

很难以评估的性能与其他方法,因为不同的数据集,床的位置,传感器的数量。最好的我们能做的就是比较共同的目标位置估计的结果。表7列表是通过积累睡姿估计的结果。我们的方法可以达到97.8%的准确率的分类三个睡眠姿势,即。,躺在中心,躺了,躺好。我们的方法,使用只有四个传感器,优于提出的方法(13)使用2048个传感器,(15)使用360个传感器,(18)使用2048个传感器,(19使用56个传感器),20.)在综合评价中使用60传感器。

position-by-position比较而言,只有一个报告从夏朝et al。21),同样的三个床的职位是由我们的模型定义。position-by-position比较结果如表所示8。

我们的方法的结果不是最好的但它表明,我们的模型是有前途的有限数量的传感器,和模型可以由少量的测试对象。在实用性方面,我们的方法有成本优势的性能和维护。

5。结论

床上跌倒预防报警需要一个高度精确的床的位置检测系统。系统必须能够尽早发出一个警报一旦检测到一个位置有一个高的风险下降。在这项研究中,使用神经网络进行分类设计了传感器的信号成五种类型的位置。传感器的信号数据规范化使用基于统一的标准化(或功能扩展)方法来消除偏见的体重和不同类型的传感器。此外,信号数据的积累在一秒钟的时间内槽(120年一组输入)也可以帮助提高坐着off-bed位置的准确性。120的性能与归一化信号输入数据产生一个更好的结果比其他三个类型的输入,即。4输入4输入与规范化的信号数据,和120年输入。此外,当数据集扩展到一个大数据集和不洁净的,单一的神经网络模型的准确性显著下降。改善神经网络方法的性能,我们采用贝叶斯网络限制的可能性的过渡位置。因此,贝叶斯网络概率卦有效地提高了精度从96.64%提高到97.06%,系数为0.3和0.7的神经网络和贝叶斯网络概率,分别。组合模型本质上改善坐姿检测从86.10%到89.07%通过减少混乱的错误检测与从床上躺权利和地位从8.06%到6.24%和4.68%到3.91%,分别。 The evaluation of our approach against others is also promising. Even though it cannot outperform some of the other previously proposed methods that need a large number of sensors, our approach needs only four sensors. It can be concluded that our approach can perform at high accuracy for position detection and requires the fewest number of sensors.

数据可用性

本研究的数据可从相应的作者。

信息披露

手稿是基于作者的论文Waranrach Viriyavit。

的利益冲突

作者宣称没有利益冲突。

确认

传感器面板和IP摄像机,用于数据收集,由AIVS提供有限公司在日本国际协力机构(JICA)资助中小企业发展的支持。视频和病人数据记录病人的同意下,承认Banphaeo医院。我们非常感谢先生的Shunichi Yoshitake AIVS主席对他大力支持的设备和导演和工作人员一起Banphaeo医院整体数据收集的支持。研究为法政大学研究基金会资助下泰国国家研究委员会(合同编号25/2561)的项目“数字平台,数字经济的可持续发展,基于数字集群运行协作计划。