Development of a multi-modal system to provide e-health related services based on indoor positioning

Hernández-Peñaloza, Gustavo (2019). Development of a multi-modal system to provide e-health related services based on indoor positioning. Thesis (Doctoral), E.T.S.I. Telecomunicación (UPM). https://doi.org/10.20868/UPM.thesis.57604.

Description

Title: Development of a multi-modal system to provide e-health related services based on indoor positioning
Author/s:
  • Hernández-Peñaloza, Gustavo
Contributor/s:
  • Álvarez-García, Federico
Item Type: Thesis (Doctoral)
Date: 2019
Subjects:
Freetext Keywords: Posicionamiento en interiores, Redes Inalámbricas de Sensores, Fingerprint, Filtros de Kalman, Aprendizaje profundo de máquina, Redes Generativas, Redes Convolucionales = Indoor Positioning, Wireless Sensor Networks, Fingerprinting, Kalman Filter, Deep Learning, Convolutional Neural Networks Convolutional Neural Networks, Generative Adversarial Networks
Faculty: E.T.S.I. Telecomunicación (UPM)
Department: Señales, Sistemas y Radiocomunicaciones
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img]
Preview
PDF - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (4MB) | Preview

Abstract

Esta tesis doctoral está enfocada, principalmente, en la creación de modelos para la monitorización de personas en interior en sistemas de cuidado integral sostenible. Estos modelos se basan en el uso de herramientas de Tecnologías de la Información y las Comunicaciones (TIC) en combinación con técnicas avanzadas y algoritmos de procesado de señal. La investigación se centra en la aplicación de nuevas técnicas de clasificación y predicción sobre la información recopilada de múltiples fuentes (sistemas de sensores). Estos algoritmos se presentan en modelos de fusión de datos que se usan para crear servicios personalizados a personas mayores, y especialmente, a personas afectadas por Enfermedad de Parkinson. Por múltiples modalidades de información se entienden las mediciones que se pueden recopilar de diversos sensores físicos desplegados en un espacio interior. Por ejemplo, los movimientos de las personas pueden ser capturados mediante sensores visuales (cámaras RGB y / o RGB-D), sin embargo, se puede fusionar con información inercial extraída de pulseras o con información recogida de dispositivos de una red de sensores inalámbricos, o incluso, de sensores binarios convenientemente desplegados (por ejemplo en las puertas para detectar salida / entrada de personas). El desarrollo de algoritmos para explotar las similitudes o patrones de comportamiento da lugar a mejoras significativas en la detección / predicción de eventos particulares a los usuarios objetivo. Con respecto a los grupos objetivo, esta tesis se centra principalmente en pacientes con enfermedad de Parkinson y, por lo tanto, en el desarrollo de algoritmos para detectar eventos relevantes asociados con dicha enfermedad. Para lograr tal objetivo, un conjunto de características y descriptores se definen, extraen, preprocesan y modelan. Los modelos creados se basan tanto en las técnicas tradicionales de estimación estadística como en novedosas técnicas de aprendizaje profundo o Deep Learning. Por vector de características, la investigación se refiere a la cualquier conjunto de datos que permita extraer patrones que tengan un mayor impacto en la tarea de detección, así como las estrategias de ponderación adecuadas para todas las funciones disponibles. El objetico es mejorar el rendimiento de los algoritmos en términos de precisión. Finalmente, la extrapolación y difusión del alcance de los algoritmos se logra mediante la creación de diversas aplicaciones que emplean los conceptos / arquitecturas basadas en los algoritmos mencionados anteriormente. En múltiples contextos, se observa cómo las técnicas de procesamiento podrían aplicarse a diversas tareas, como la clasificación por género de películas, mostrando su buen desempeño en comparación con los métodos tradicionales de descriptores visuales. Además, los métodos presentados en esta tesis también pueden aumentar la eficiencia de las redes Generativas, también conocidas como GAN de sus siglas en inglés (Generative Adversarial Networks) al acelerar el proceso de entrenamiento. Por lo tanto, el set de algoritmos y herramientas presentadas en esta tesis, métodos y modelos propuestos contribuyen al desarrollo de sistemas modulares, especialmente dedicados a la atención de la salud de las personas mayores afectadas con enfermedades del sistema nervioso, pero generalmente extensibles a otros campos. Las hipótesis formuladas en esta tesis se validaron mediante la realización de múltiples experimentos con usuarios finales reales, creando conjuntos de datos (datasets) que pueden ser interesantes para la comunidad científica. Debido al entorno multidisciplinario en el que se desarrolló esta tesis, se han considerado aspectos metodológicos, sociales y perceptivos. En consecuencia, algunas pruebas realizadas se evaluaron mediante métodos cuantitativos (precisión, recuperación) y cualitativos (aceptación, utilidad). ----------ABSTRACT---------- This doctoral thesis is devoted to the modelling of sustainable Integrated Healthcare systems based on the use of Information and Communication Technologies (ICT) tools in combination with advanced processing algorithms. Research is focused on applying novel classification and prediction techniques to information collected from multiple sources. These algorithms jointly form fused models aimed at providing personalized care services to elderly patients. Multiple modalities of information are understood as all the measurements that can be collected from diverse physical sensors. As an example, person movements can be captured by visual-based sensors (RGB and / or RGB-D cameras), however, it can be fused with inertial information extracted from smart-bands, or with information retrieved from Wireless Sensor Networks (WSN) Devices, or even, binary sensors conveniently allocated. The development of algorithms to exploit similarities yields to significant improvements in the detection/prediction of particular events associated to target groups. With regard to target groups, this thesis is mainly centered on Parkinson Disease Patients, and therefore in the development of algorithms to detect relevant events associated to such disease. For this ambition, a set of features and descriptors are defined, extracted, pre-processed and modelled. The models created are built on both traditional statistical estimation techniques and Deep Learning techniques. By significant features, research is sharpened in the extraction of data patterns that have a larger impact in the detection task, as well as the proper weighting strategies for all features available to attain a better performance in terms of accuracy, reducing the time-computing and better adapting to significant changes in the status of an environment. Finally, extrapolation and spreading of the algorithms scope is reached by its application to diverse fields. The employment of such concepts / architectures for diverse tasks such as genre classification of movies, showing its good performance when compared to traditional visual-based descriptors methods. Moreover, methods presented in this thesis are also able to increase the efficiency of Generative Model Systems by speeding up the training process. Therefore, the toolbox of algorithms, methods and models proposed contribute to conceive modular systems, specially dedicated for elderly healthcare but generally extendable to other fields. The hypothesis formulated in this thesis were validated by conducting multiple experiments with end users, creating datasets that can be interesting for research community. Due to the multi-disciplinary environment where this thesis took part, methodological, social and perceptive aspects have been considered. Consequently, some tests performed were evaluated via quantitative (accuracy, recall) and qualitative manners (acceptance, usefulness).

More information

Item ID: 57604
DC Identifier: http://oa.upm.es/57604/
OAI Identifier: oai:oa.upm.es:57604
DOI: 10.20868/UPM.thesis.57604
Deposited by: Archivo Digital UPM 2
Deposited on: 08 Jan 2020 07:20
Last Modified: 08 Jul 2020 22:30
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM