Detección de transiciones posturales para aplicaciones médicas, usando datos obtenidos de sensores inerciales de un Smartphone

[CASTELLÀ] El síndrome de fragilidad consiste en la pérdida de homeóstasis del cuerpo, y se asocia con la pérdida de movilidad y fuerza de las personas. Se considera que tener este síndrome podría acelerar la muerte. Una manera de medir la movilidad, y poder detectar el síndrome, es con la ayuda de sensores inerciales En un comienzo las mediciones de movilidad se realizaban con múltiples sensores distribuidos en diferentes partes del cuerpo. Luego se reduce a uno solo para que se sea práctico en la vida diaria, aunque con la condición de que el sensor deba estar ubicado en una posición específica. En este trabajo se propone independizar la orientación y localización del sensor para analizar la movilidad, y que pueda ser extendidos a Smartphone que cuenten con acelerómetros. Específicamente, se realiza un detector de transiciones posturales, sentarse o levantarse utilizando la técnica de aprendizaje automático Support Vector Machine. Se trabaja con dos bases de datos para obtener dos modelos diferentes, la primera obtiene datos con un móvil Samsung Galaxy II ubicado en la cintura, y la segunda se realiza con un acelerómetro ubicado en el bolsillo del pantalón, sin que se sepa la orientación del mismo. Ambos modelos son puestos a prueba con señales obtenidas de un móvil Huawei ubicado en el bolsillo del pantalón. Después de obtener un modelo para cada base de datos, se combinan para obtener un modelo adicional, y realizar la selección del mejor. Finalmente se escoge el modelo obtenido con la base de datos uno, el cual dio un resultado de sensibilidad 61%, y especificidad de 99%. [ANGLÈS] Frailty syndrome is associated with mobility and strength loss. People with the disease could die sooner than expected. Detecting when the syndrome starts could improve the patient’s life quality. A way to detect the beginning could be by measuring body mobility and detect changes in the human life-time. Decades ago, human activities were studied using multiple sensors around the body, making the procedure uncomfortable for the daily living. For that reason, a single sensor gained terrain in the study of the human movement. The main problem was the sensor must be placed in a specific place and orientation to work well with the algorithm. In this dissertation, the purpose is to get orientation and location independence while using an accelerometer on the body to study the human movement. To be more specific, a model to identify postural transitions is made using support vector machine, and the procedure is compatible with the signals acquired from a Smartphone’s accelerometers. Two data sets are used to obtain two different models. The first one has data of signals acquired with a Samsung Galaxy II on the waist. The second one is taken with accelerometers in the pockets. Both models are tested with signals from a Huawei phone. The model chosen has 99% specificity and 61% sensibility while using data set one to train the model.