Predizione di cadute reali tramite l’uso di sensori indossabili

Le cadute, intese come mancanza improvvisa di equilibrio e stabilità senza perdita di coscienza, rappresentano un serio problema per le persone anziane. Le conseguenze fisiche e psicologiche della caduta determinano una riduzione dell’indipendenza e una perdita della qualità della vita della persona anziana. Questa tesi si pone l’obiettivo di studiare i meccanismi di caduta in una persona anziana, al fine di trovare un modo efficace, efficiente ed implementabile in real-time per predire la caduta al fine di poter attivare un meccanismo di protezione (airbag) che consenta di evitare, o almeno attenuare, le sue conseguenze più spiacevoli. Il progetto di tesi è stato diviso in due fasi: la fase di training e la fase di testing. Nella fase di training sono stati implementati diversi algoritmi di Fall Prediction, sia basati su soglie sia su Machine Learning. Questi algoritmi sono stati testati su dati reali registrati da persone anziane tramite un sensore indossabile al fine di valutarne le performance e l’effettiva utilità nella vita quotidiana. Successivamente, nella fase di testing gli algoritmi risultati migliori sono stati testati al fine di valutarne le performance su dati non considerati nella fase di training e sui quali gli algoritmi non sono stati effettivamente addestrati. Un aspetto molto importante degli algoritmi implementati è il trade-off tra sensibilità e falsi allarmi, ovvero tra la capacità di predire le cadute in tempo da attivare eventuali meccanismi di protezione e la capacità di ridurre al minimo il numero di falsi allarmi, i quali porterebbero ad aperture indesiderate dell’airbag.