Decoding activities of daily living and incipient falls using brain signals

Abstract

Falls represent one of the biggest causes of deaths related to unintentional injuries. The increasing number of occurrences is associated a continuously expanding elderly population, along with its detrimental effects on the survival and well-being of those aged 65 and above, has turned the issue of falls into a global public health concern. It is estimated that 684,000 people worldwide lose their lives due to falls, which happen approximately 37.3 million times annually. As a result, the financial expenses associated with hospitalisations are significant and present a complex challenge. The Electroencephalogram (EEG) technique is widely utilised to assess brain electrical activity and detect indicators of balance disruptions, such as Perturbation Evoked Potentials (PEPs), in brain signals. This is possible because EEG data provides insights into motor planning and intention, making it a valuable tool for monitoring both falls and Activities of Daily Living (ADLs). Accordingly, this dissertation will establish two experimental protocols: one for simulating slip-like incidents and another for ADLs, with the aim of collecting EEG data. The primary goal of this dissertation is to leverage Artificial Intelligence (AI)-based systems to identify slip-like perturbations and various ADLs using the data from both protocols. The ultimate objective is to integrate these algorithms into assistive robotic devices, e.g. exoskeletons. In the context of the methods employed, the PEP components were identified within a time frame of 75–137 ms after the external perturbation onset. To analyse the pre-processed EEG data, four distinct artificial neural networks were evaluated, each with varying network architecture parameters. Among these architectures, the Convolutional Neural Network (CNN)-Long Short-Term Memory (LSTM) model, trained to predict EEG perturbations, exhibited superior classification performance, achieving an accuracy rate of 86% when using a short time window of 100 ms. In contrast, for classifying ADL, the best result obtained was 53% accuracy, and this was also achieved using the CNN-LSTM architecture.

As quedas representam uma das maiores causas de morte relacionadas com lesões não intencionais. O número crescente de ocorrências está associado a uma população idosa em constante expansão, juntamente com os seus efeitos prejudiciais na sobrevivência e no bem-estar das pessoas com 65 anos ou mais, o que transformou a questão das quedas num problema de saúde pública global. Estima-se que 684.000 pessoas em todo o mundo perdem a vida devido a quedas. Consequentemente, as despesas financeiras são significativas e representam um desafio complexo. A técnica eletroencefalograma (EEG) é amplamente utilizada para avaliar a atividade eléctrica cerebral e detetar potenciais evocados por perturbação (PEPs) e Atividades Diárias (ADLs). Assim, esta dissertação irá estabelecer dois protocolos experimentais: um para simular incidentes do tipo escorregar e outro para ADLs, com o objetivo de recolher dados EEG. O objetivo principal desta dissertação é utilizar sistemas baseados em Inteligência Artificial (IA) para identificar perturbações do tipo escorregar e várias ADLs utilizando os dados de ambos os protocolos. O objetivo final é integrar estes algoritmos em dispositivos robóticos de assistência, por exemplo, exoesqueletos. No contexto dos métodos utilizados, os componentes PEP foram identificados num período de tempo de 75-137 ms após o início da perturbação externa. Para analisar os dados EEG, foram avaliadas quatro redes neurais artificiais distintas, cada uma com parâmetros de arquitetura de rede variáveis. Entre estas arquitecturas, o modelo de Rede Neuronal Convolucional (CNN)-Long Short-Term Memory (LSTM) apre sentou um desempenho de classificação superior, alcançando uma taxa de precisão de 86% quando se utilizou uma janela de tempo curta de 100 ms. Em contraste, para a classificação de ADL, o melhor resul tado obtido foi uma precisão de 53%, o que também foi conseguido utilizando a arquitetura CNN-LSTM.