Data-driven Implementations for Enhanced Healthcare Internet-of-Things Systems
Tid: Fr 2021-12-10 kl 10.00
Plats: Ka-Sal C (Sven-Olof Öhrvik), Kistagången 16, Kista
Videolänk: zoom link for online defense
Språk: Engelska
Ämnesområde: Informations- och kommunikationsteknik
Respondent: Amleset Kelati , Elektronik och inbyggda system
Opponent: Professor Bengt Oelmann,
Handledare: Hannu Tenhunen, Integrerade komponenter och kretsar; Juha Plosila, ; Nerey Mvungi, ; Ethiopia Nigussie,
QC 20211119
Abstract
System för monitorering av hälso- och sjukvård baserade på IoT (internet of things) erbjuder idag kostnadseffektiva lösningar som många gånger kan utgöra bättre alternativ än traditionell övervakning inom vård och omsorg. Kostnader för sjukvård stiger brant, mycket på grund av en ökande andel äldre i befolkningen, och kraven på sjukhus och vårdinstanser att tillhandahålla högkvalitativa tjänster stiger därmed och blir alltmer utmanande. Denna avhandling presenterar två olika integrerade IoT-system, som utvecklats för att monitorera hälsotillståndet hos vårdbehövande och äldre personer i deras hemmiljö. Det första systemet bygger på en fjärransluten IoT-lösning för smärta, medan det andra upptäcker förändrade levnadsmönster som orsakas av sjukdom genom att monitorera el-användningen för den vårdbehövande.
I den första varianten har en elektromyografi (EMG) sensor med en wifi-modul designats för att övervaka smärtkänningar hos hemmaboende patienter. En algoritm extraherar relevanta data ur EMG signalen och utvärderar dessa för att kunna ange den smärtnivå som patienten upplever. Denna process ger 98.5 % rätt angivna smärtnivåer hos den uppmätta signalen från EMG-sensorn, men hela 99.4 % rättbestämda smärtnivåer från det kliniskt godkända testet av smärtnivå Bio Vid. De experimentella resultaten visar tydligt att den föreslagna metoden lämpar sig utmärkt för fortsatta försök på människor.
I den andra IoT-lösningen, som ska ses som ett komplement till den första, används en IoT-baserad smart mätare tillsammans med en uppsättning metoder för att bestämma belastningsprofilen för elanvändningen i den vårdbehövandes bostad och därigenom indirekt upptäcka avvikelser som indikerar att hälsotillståndet hos den inneboende har förändrats. I avhandlingen har en ny metodologi införts kallad ”non-intrusive appliance load monitoring (NIALM), som baseras på maskininlärd klassificering av ”fog layer”. Metoden gör det möjligt att urskilja enskilda el-konsumenter med stor noggrannhet genom att jämföra mätdata med hushållets ”activities of daily living”, (ADL). Detektionen av olika el-konsumenter i hushållet görs genom klassificeringsalgoritmen ”k-nearest neighbour’s” (k-NN), vilken har uppnått hela 97.4% träffsäkerhet och tydligt demonstrerar metodens användbarhet. Tack vare de låga kostnaderna och möjligheten till åter-användning hos ”field programmable gate arrays” (FPGA), har den k-NN-baserade modellen implementerats i FPGA. Prestandan för detta system visar sig, vid jämförelse med andra beräkningsplattformar, vara ett kostnadseffektivt sätt att använda IoT-baserade lösningar för monitorering av personers hälsostatus i hemmiljö.
Sammanfattningsvis visar avhandlingen på två integrerade IoT-lösningar för patientövervakning i hemmiljö, som kombinerar smärtupplevelser med ADL och därigenom kan erbjuda trygg och kostnadseffektiv assistans till vården av sjuka och äldre personer och möjliggöra för individer att leva längre i sina egna hem.