Sistema de detección automática de convulsiones y eventos anormales basado en un dispositivo wearable

Abstract

En todo el mundo, unos 50 millones de personas padecen de epilepsia, convirtiéndola en uno de los trastornos neurológicos más comunes. Así mismo, las caídas son la segunda causa mundial de muerte por traumatismos involuntarios y se calcula que anualmente fallecen en todo el mundo unas 684 000 personas a causa de estas. Esta situación tiende a crear una necesidad de monitoreo personal frecuente que puede llevar a una sensación de pérdida de autonomía en el paciente y mayor estrés en su círculo cercano. Comprendiendo la problemática anterior, este proyecto presenta y describe un sistema automático de detección de anomalías que utiliza señales de movimiento de la muñeca captadas por un acelerómetro wearable (Sony SmartBand SWR10). La clasificación del comportamiento humano entre una actividad normal o cotidiana y una actividad anormal (caídas y convulsiones), es determinado bajo la implementación de algoritmos de Machine Learning. En particular, se selecciona la red recurrente LSTM (Long Short Term Memory), que ha sido preentrenada con datasets externos y reentrenada con datos propios aplicando la técnica de Transfer Learning conocida como Fine Tunning. Tomando como dato de entrada las señales enviadas desde el wearable, se obtiene una inferencia del modelo y ante la detección de una anormalidad se envía una alerta a través de una aplicación móvil denominada Anomaly Alarm. La validación final del sistema arrojó accuracy de 91.2%, y una sensibilidad en relación con los eventos anormales de 88%.

Worldwide, some 50 million people suffer from epilepsy, becoming it one of the most common neurological disorders. Likewise, falls are the world's second leading cause of death from unintentional trauma and an estimated 684,000 people worldwide die from this each year. This situation tends to create a need for frequent personal monitoring that can lead to a sense of loss of autonomy in the patient and increased stress in his or her close circle. Understanding the above problematic, this project presents and describes an automatic anomaly detection system that uses wrist movement signals captured by a wearable accelerometer (Sony SmartBand SWR10). The classification of human behavior between normal or daily activity and abnormal activity (falls and seizures) is determined under the implementation of Machine Learning algorithms. In particular, the LSTM (Long Short Term Memory) recurrent network selected, which has been pre-trained with external datasets and re-trained with own data by applying the Transfer Learning technique known as Fine Tunning. Taking as input data the signals sent from the wearable, an inference of the model is obtained and upon detection of an abnormality an alert is sent through a mobile application called Anomaly Alarm. The final validation of the system yielded an accuracy of 91.2%, and a sensitivity in relation to abnormal events of 88%.