Resumen de Contribuciones al estudio y análisis de sistemas vestibles de detección de caídas
Las caídas son la segunda causa mundial de muerte por lesiones accidentales o no intencionales según la Organización Mundial de la Salud. En este contexto, cabe destacar que las personas mayores de 65 años tienen un mayor riesgo de sufrir este tipo de accidentes. Estos datos, unidos al envejecimiento de la población, convierten las caídas en uno de los mayores problemas de salud pública actuales, por tanto, resulta de vital importancia encontrar soluciones que ayuden a paliar los graves problemas originados por estas. El avance de los dispositivos “vestibles” y su incorporación en nuestro día a día convierte a esta tecnología en una solución interesante para aplicarla al ámbito de estudio de las caídas. En el presente trabajo se realiza un estudio y análisis de sistemas vestibles de detección de caídas, describiendo las diferentes contribuciones científicas aportadas a este campo de manera temática y cronológica. En concreto, se expone en primer lugar la creación de un repositorio público, que incluye movimientos de la vida cotidiana y caídas, con el objetivo de proveer a la comunidad científica de una herramienta con la que poder analizar sistemáticamente diferentes aspectos y técnicas relacionados con la detección. Posteriormente, debido a la aparición de diferentes repositorios en la literatura, se revisan estas bases de datos y se investigan los problemas originados por la heterogeneidad existente y la inexistencia de una normalización a la hora de crear este tipo de datasets. Consecutivamente, se analizan y evalúan diferentes procedimientos de detección de caídas de menor a mayor complejidad, tales como algoritmos de detección de caídas basados en umbrales, algoritmos de aprendizaje automático, tanto de aprendizaje supervisado (considerando las estrategias más comunes de machine learning) como detectores de anomalías, así como técnicas de aprendizaje profundo como las redes neuronales convolucionales, demostrando que existen arquitecturas de clasificación que proporcionan un gran rendimiento a la hora de discernir entre caídas y movimientos cotidianos. Asimismo, se estudia el efecto que provoca la posición y número de sensores utilizados, los estadísticos utilizados como características de entrada de los algoritmos u otros factores como los rasgos físicos de los sujetos que participan en los repositorios, la frecuencia de muestreo o la tipología de los movimientos que se utilizan a la hora de entrenar y testear los algoritmos, así como las prestaciones obtenidas al entrenar y testear con bases de datos cruzadas, esto es, con trazas de movimientos provenientes de repositorios diferentes.
