Development and implementation of a social isolation detection system based on the recognition of mealtime and mobility activities of elderly people at home
Développement et mise en œuvre d'un système de détection de l'isolement social basé sur la reconnaissance des activités en matière de repas et de mobilité chez les personnes âgées à domicile
Résumé
The recognition of daily life activities has been the subject of research for years to provide effective solutions. It is based on the spatio-temporal analysis of situations and behaviors whose input data is information provided by ambient sensors or by sensors worn by the person. This thesis focuses on the instrumentation of the living space by ambient sensors and on the detection of a state of social isolation in elderly people. Two approaches are used to assess social isolation. The first one is based on questionnaires. The second approach is based on the use of technologies for the objective acquisition of data representative of a state, behavior, etc. In particular, the activity "eating" is linked to a sequence of actions such as shopping, cooking, eating and washing dishes. The activity "moving" is linked to mobility within the home and leaving the home. The literature shows that these two activities seem to be relevant for assessing a potential risk of social isolation among older people. The thesis work focuses on four main contributions: A bibliographic review of ADLs detection research to identify its contributions and limitations, and to outline relevant research directions. Specific criteria were chosen to include articles presenting activity detection systems. A system design approach applied to the detection of ADLs. This approach is part of a system engineering process. It describes the analysis of requirements, their modeling through SysML diagrams and the implementation of a hardware and software architecture based on an IoT network. The analysis of ADLs, in our study, uses data from motion detectors and contact sensors. A display on a web application allows you to visualize the results obtained for the caregiver or the family. The original use of four methods to classify ADLs, namely "preparing the meal", "eating the meal", "washing the dishes", "sleeping/relaxing", "hygiene", "the person outside the home", "a visitor inside the home" and "other activities". The first three methods used are K-means, the Gaussian mixture model and BIRCH, which applies weights to the data. Meal-related activities therefore do not have the same weight as the rest of the data, which made it possible to improve the detection of ADLs. The fourth algorithm is based on a logical method following the determination of a correlation matrix using all the available sensors as input. Using the data from the correlation matrix, the algorithm personalizes the detection of meal-related activities by distinguishing a person preparing their meal from a person using a meal delivery service. We validate our methods by referring to the forms filled in by the participants at the beginning and end of the experiment, in which they describe the course of their typical day. These algorithms were applied to an open annotated database to confirm the accuracy of our approaches. The proposal of a score for the level of social isolation of the person being monitored. This score is based on the identification of activities to extract daily habits through behavioral indicators (time spent outside the house and in the kitchen, etc.). Six elderly people were followed for more than 3 months. The logistic regression algorithm was used to extract the level of social isolation, which was compared with the level of social isolation identified using the "Lubben Social Network Scale" questionnaire, which was completed by each participant at the beginning and end of the study.
La reconnaissance d'activités de vie quotidienne (AVQs) fait l'objet, depuis des années, de recherches pour proposer des solutions performantes. Elle s'appuie sur l'analyse spatio-temporelle de situations, de comportements, etc. dont les données d'entrée sont les informations fournies par des capteurs ambiants ou par des capteurs portés par la personne. Cette thèse se focalise sur l'instrumentation du lieu de vie par des capteurs ambiants et sur la détection d'un état d'isolement social chez les personnes âgées. Deux approches sont utilisées pour évaluer l'isolement social. La première se base sur des questionnaires. La deuxième approche s'appuie sur l'utilisation de technologies pour la récupération objective de données représentatives d'un état ou d'un comportement. En particulier, l'activité " se nourrir " est liée à une séquence d'actions telles que faire les courses, cuisiner, manger et faire la vaisselle. L'activité " se déplacer " est liée à la mobilité au sein du domicile et au fait de sortir du logement. La littérature montre que ces deux activités semblent pertinentes pour évaluer un risque potentiel d'isolement social chez les aînés. Les travaux de thèse portent sur quatre contributions principales : Un état bibliographique des recherches sur la détection des AVQs afin d'en identifier les apports et les limites et tracer des voies de recherches pertinentes. Des critères spécifiques ont été choisis pour inclure les articles dans lesquels des systèmes de détection d'activités sont présentés. Une démarche de conception système appliquée à la reconnaissance d'AVQs. Cette démarche s'intègre dans un processus d'Ingénierie Système. Elle décrit l'analyse des exigences, leur modélisation au travers de diagrammes SysML et la mise en place d'une architecture matérielle et logicielle basée sur un réseau IoT. L'analyse des AVQs, dans notre étude, utilise les données de détecteurs de mouvement et de capteurs de contacts. Un affichage sur une application web permet de visualiser les résultats obtenus à destination de l'aide-soignant ou de la famille. L'utilisation originale de quatre méthodes de classification des AVQs à savoir "préparer le repas", "prendre le repas", "faire la vaisselle", "dormir/se relaxer", "hygiène", "la personne à l'extérieur du logement", "un visiteur à l'intérieur de la maison" et "autres activités". Les trois premières méthodes utilisées sont K-means, le modèle de mélange gaussien et BIRCH auxquelles on applique une pondération aux données. Les activités liées au repas n'ont ainsi pas le même poids que le reste des données, ce qui a permis d'améliorer la détection des AVQs. Le quatrième algorithme est basé sur une méthode logique à la suite de la détermination d'une matrice de corrélation prenant en entrée l'ensemble des capteurs disponibles. En utilisant les données de la matrice de corrélation, l'algorithme personnalise la détection des activités liées au repas en différenciant une personne qui prépare seule son repas d'une personne qui bénéficie d'un service de portage de repas. Nous validons nos méthodes en se référant aux formulaires remplis par les participants au début et à la fin de l'expérimentation dans lesquels ils indiquent le déroulement de leur journée-type. Ces algorithmes ont été appliqués sur une base de données annotée ouverte pour confirmer la précision de nos approches. La proposition d'un score du niveau d'isolement social chez la personne suivie. Ce score est établi sur la base de l'identification des activités pour extraire les habitudes quotidiennes au travers d'indicateurs du comportement (Le temps passé à l'extérieur de la maison et à l'intérieur de la cuisine, etc.). Six aînées ont été suivies pendant plus de 3 mois. L'algorithme régression logistique a été utilisé pour l'extraction du niveau d'isolement social qui a été comparé à celui identifié grâce au questionnaire " Lubben Social Network Scale " rempli avec chaque participant au début et à la fin de l'étude.
| Origine | Version validée par le jury (STAR) |
|---|