A smart well-being monitoring system for ambient assisted living of older adults

Abstract

Cyber-physical systems (CPSs) are trying to connect a physical environment with a virtual one bringing a new era in healthcare. The research project aims to link a Cyber-physical network to eGRiST Decision Support System (DSS) in an automated way using the most e!cient techniques as well as ambient sensors provided by RedGear company. This dissertation presents our current accomplishments in designing a CPS on early detection of suicide risk factors for ambient assisted living and extracare monitoring. The contributions to science are threefold: The selection, evaluation and design of an innovative system for activity recognition in Ambient Assisted Living while proposing an innovative rule-based system called ”ActiRule”; the demonstration of a two-fold decision-making model for suicide risk factor detection, and the design of a suicide triage tool. The results highlight that Gaussian Hidden Markov Model is the bestperforming behavioural monitoring technique (F1-score=0.86), while the design of a two-layer system for scoring and interpreting an older adult’s behavioural change is promising. The overall performance of Multivariate Gaussian Mixture Model used for personalized decision-making, improves as we move from abrupt behavioural changes (F1-score=0.81) to gradual ones (F1-score=0.91). Also, the outcomes show that the development of a triage tool that includes the most informative questions to predict suicide is encouraging. For evaluation purposes, Orange4Home dataset is used for activity monitoring, a synthesized dataset based on the Aruba dataset for suicidal risk factor desicion making, and an older adult’s dataset for Triage Tool optimization. This study provides the foundation for scaling up and continuing this line of research, which investigates how decision support systems such as eGRiST, combined with ambient sensing technologies, can help clinicians rapidly assess mental health risk, understand its underlying causes, identify ways to reduce risk, and determine e”ective interventions.

Τα Κυβερνο-Φυσικά Συστήματα (Cyber-Physical Systems – CPSs) αποσκοπούν στη διασύνδεση του φυσικού περιβάλλοντος με το εικονικό, εισάγοντας μια νέα εποχή στον τομέα της υγειονομικής περίθαλψης. Η παρούσα ερευνητική εργασία αποσκοπεί στη διασύνδεση ενός Κυβερνο-Φυσικού Δικτύου με το Σύστημα Υποστήριξης Αποφάσεων (Decision Support System – DSS) eGRiST, με αυτοματοποιημένο τρόπο, αξιοποιώντας αποδοτικές τεχνικές καθώς και αισθητήρες περιβάλλοντος που παρέχονται από την εταιρεία RedGear. Η παρούσα διατριβή παρουσιάζει τα μέχρι σήμερα ερευνητικά αποτελέσματα σχετικά με τον σχεδιασμό ενός Κυβερνο-Φυσικού Συστήματος για την έγκαιρη ανίχνευση παραγόντων κινδύνου αυτοκτονίας στο πλαίσιο της Υποστηριζόμενης Διαβίωσης σε Έξυπνο Περιβάλλον και της εξ αποστάσεως παρακολούθησης. Η συνεισφορά της έρευνας στην επιστημονική γνώση διακρίνεται σε τρεις βασικούς άξονες: την επιλογή, αξιολόγηση και σχεδίαση ενός καινοτόμου συστήματος αναγνώρισης δραστηριότητας για την Υποστηριζόμενη Διαβίωση σε Έξυπνο Περιβάλλον, με την παράλληλη πρόταση ενός καινοτόμου συστήματος βασισμένου σε κανόνες, με την ονομασία «ActiRule»· την ανάπτυξη ενός μοντέλου λήψης αποφάσεων δύο επιπέδων για την ανίχνευση παραγόντων κινδύνου αυτοκτονίας· και τον σχεδιασμό ενός εργαλείου διαλογής κινδύνου αυτοκτονίας (suicide triage tool). Τα αποτελέσματα καταδεικνύουν ότι το Γκαουσιανό Μοντέλο Κρυφών Μαρκοβιανών Αλυσίδων (Gaussian Hidden Markov Model) αποτελεί την αποδοτικότερη τεχνική παρακολούθησης της συμπεριφοράς, επιτυγχάνοντας F1-score = 0,86, ενώ ο σχεδιασμός ενός συστήματος δύο επιπέδων για τη βαθμολόγηση και ερμηνεία των μεταβολών στη συμπεριφορά ενός ηλικιωμένου ατόμου παρουσιάζει ενθαρρυντικά αποτελέσματα. Η συνολική απόδοση του Πολυμεταβλητού Γκαουσιανού Μοντέλου Μείξης (Multivariate Gaussian Mixture Model), το οποίο χρησιμοποιείται για εξατομικευμένη λήψη αποφάσεων, βελτιώνεται καθώς μεταβαίνουμε από απότομες μεταβολές της συμπεριφοράς (F1-score = 0,81) σε σταδιακές μεταβολές (F1-score = 0,91). Επιπλέον, τα αποτελέσματα δείχνουν ότι η ανάπτυξη ενός εργαλείου διαλογής κινδύνου, το οποίο περιλαμβάνει ερωτήσεις με τη μεγαλύτερη πληροφοριακή αξία για την πρόβλεψη του κινδύνου αυτοκτονίας, παρουσιάζει ενθαρρυντικές προοπτικές. Για τους σκοπούς της αξιολόγησης, χρησιμοποιήθηκε το σύνολο δεδομένων Orange4Home για την παρακολούθηση δραστηριοτήτων, ένα συνθετικό σύνολο δεδομένων βασισμένο στο σύνολο δεδομένων Aruba για τη λήψη αποφάσεων σχετικά με παράγοντες κινδύνου αυτοκτονίας, καθώς και ένα σύνολο δεδομένων ηλικιωμένου ατόμου για τη βελτιστοποίηση του εργαλείου διαλογής κινδύνου. Η παρούσα μελέτη παρέχει τη βάση για την περαιτέρω κλιμάκωση και συνέχιση της συγκεκριμένης ερευνητικής κατεύθυνσης, η οποία διερευνά τον τρόπο με τον οποίο συστήματα υποστήριξης αποφάσεων, όπως το eGRiST, σε συνδυασμό με τεχνολογίες ανίχνευσης μέσω αισθητήρων περιβάλλοντος, μπορούν να υποστηρίξουν τους κλινικούς επαγγελματίες στην ταχεία αξιολόγηση του κινδύνου που σχετίζεται με την ψυχική υγεία, στην κατανόηση των υποκείμενων αιτιών του, στον εντοπισμό τρόπων μείωσης του κινδύνου και στον προσδιορισμό αποτελεσματικών παρεμβάσεων.