e-Health-GNSS-IMU: analisi stato dell’arte, vantaggi di tale approccio e possibili applicazioni aziendali.
e-Health-GNSS-IMU: l’aspetto “geometrico” della traiettoria 2D
Si sente spesso parlare di GNSS+IMU per l’analisi del movimento intesa come ricostruzione cinematica, oltre che per migliorare la precisione del posizionamento. È uno degli ambiti su cui Gter si concentra da anni ed è il fulcro di molti progetti (GESTUS, REMOT etc.).
Più raramente si sente parlare dell’utilizzo dell’aspetto “geometrico” della traiettoria 2D per estrarre parametri di interesse.
Tale aspetto, unito al posizionamento di precisione, però ricopre un ruolo di rilievo in applicazioni e-health e di Context-Aware Computing. Un’applicazione di particolare interesse e della quale l’azienda si sta occupando all’interno di un progetto di Dottorato industriale, è quella del rilevamento del wandering in anziani con demenza e Alzheimer.
Il wandering è considerato uno dei sintomi più rilevanti nei pazienti affetti da Alzheimer e da altre forme di demenza, sia dal punto di vista della prevenzione dei rischi, sia come indicatore dell’evoluzione della malattia. Questo comportamento si manifesta attraverso spostamenti apparentemente senza meta o difficilmente giustificabili, che possono essere associati a un progressivo disorientamento.
Una delle principali conseguenze del wandering è infatti lo smarrimento spazio-temporale, per cui la persona può perdere il senso dell’orientamento e non riuscire a ritrovare la strada, e lo smarrimento cognitivo, che comporta difficoltà nel comprendere quale attività svolgere in un determinato luogo o come eseguirla correttamente. Queste condizioni possono aumentare il rischio di incidenti, talvolta anche gravi o fatali, ridurre significativamente l’autonomia della persona e determinare un maggiore carico assistenziale e organizzativo per familiari e caregiver. Inoltre la crescita dell’età media della popolazione e l’incremento dell’incidenza di tali problematiche rende molto interessante lo studio di tali aspetti e di possibili soluzioni. [1]
Nonostante non vi sia accordo su di una definizione univoca di wandering dovuta alla sua complessità e variabilità, come sottolineato in diversi studi, un modello ben accettato di wandering behavior è quello proposto nel lavoro di “D. Martino-Saltzman et altri, Travel behavior of nursing home residents percived as wanders and non – wanders, 1991” [2] che identifica 4 pattern principali nel movimento: direct travel, random movement, lapping and pacing (vedi figura 1 sotto) e identifica i movimenti di lapping e pacing come quelli legati al wandering.
e-Health-GNSS-IMU: Figure 1 Patterns spaziali del comportamento motorio di wandering. (a) Direct pattern; (b) Pacing pattern; (c) Lapping pattern; (d) Random pattern. [2]
La letteratura mostra come l’identificazione del wandering a partire dalla traiettoria GPS o GNSS e talvolta dalla sua combinazione con altri sensori (o altri metodi di localizzazione come ultra wilde band(UWB), active infra red(AIR) e/o Radio-Frequency IDentification(RFID) ) segua svariati approcci che possono essere suddivisi in 3 gruppi:
● Algoritmi basati su considerazioni geometriche [3]
● Algoritmi basati su analisi in frequenza del segnale (trasformata di Fourier [4] o trasformata Wavelet [5])
● Algoritmi basati su ML applicato al segnale o all’immagine della traiettoria [6]
Un ulteriore elemento che influisce sull’efficacia di questi algoritmi, in particolare nel caso dell’Alzheimer, riguarda il tipo di informazioni utilizzate per l’identificazione del wandering:
● utilizzo della sola informazione attuale (solo traiettoria corrente)
● utilizzo dello storico (traiettoria corrente + traiettorie passate + informazioni pregresse)
Infatti nelle patologie come demenza o Alzheimer il comportamento motorio mostra una certa instabilità e variabilità nel tempo che può comportare una perdita di accuratezza e precisione nel riconoscere il wandering in quei casi in cui l’algoritmo si basi sulle informazioni storiche pregresse.
Infine, un ultimo aspetto da considerare, e che ha sia pro e contro nel risultato in termini di performance è:
● Utilizzo GPS/GNSS da solo
● GNSS + IMU
● GNSS + IMU + sensori fisiologici
L’integrazione di più sorgenti informative può migliorare le prestazioni degli algoritmi, poiché consente di descrivere il comportamento del soggetto in modo più completo e robusto. Tuttavia, questa scelta introduce anche un potenziale limite: se una o più delle informazioni richieste dall’algoritmo non sono disponibili, le prestazioni possono ridursi sensibilmente, fino a degradarsi in modo significativo.
Metodi basati su considerazioni geometriche
Tali metodi, dopo una prima fase di pre processing, si pongono come obiettivo di identificare il wandering tramite il confronto di angoli spaziati da punti consecutivi della traiettoria con una traeshold basata su definizione geometrica di wandering [3].
Metodi basati su analisi in frequenza
Vi sono studi che utilizzano, dopo una prima fase di preprocessing, le informazioni contenute nella trasformata di fourier del segnale x,y(t) → X,Y(f) per riconoscere il wandering. In particolare la Short – time Fourier transform (STFT) evidenziando come osservando le variazioni nell’ampiezza delle componenti zero – frequency e non-zero frequency è possibile identificare il momento di inizio e fine del wandering[4]. Un vantaggio di tale approccio è che il costo computazionale risulta abbastanza basso rispetto a metodi basati sul machine learning attestandosi intorno a O{(M × NlogN} dove M è il numero di finestre ed N il numero di punti per finestra.
Un altro studio ha proposto un algoritmo per l’identificazione del wandering basato sull’analisi della trasformata di Wavelet del segnale [5]. Il segnale viene inizialmente sottoposto ad una fase di pre processing in cui vengono rimossi gli outliner,.successivamente viene applicata la trasformazione. Osservando i coefficienti della trasformata poi è possibile identificare il momento di inizio del wandering che corrisponde in frequenza a dove i coefficienti subiscono notevoli variazioni rispetto allo zero con picchi e valli.
L’impiego della trasformata di Wavelet implica però uno svantaggio rispetto ai metodi basati su geometria che è quello del costo computazionale. Infatti, nel caso della trasformata di wavelet il costo computazionale complessivo è dell’ordine di O{ }.
Entrambi i metodi (geometria, analisi in frequenza) risultano utilizzabili per l’identificazione del wandering in tempo reale. Questo li rende utili in caso di applicazioni di monitoraggio e assistenza all’utente al fine di migliorarne sicurezza, autonomia e qualità di vita.
Metodi basati su machine learning
Gli algoritmi basati su ML per identificazione del wandering risultano sempre più diffusi negli ultimi anni. Un esempio recente e particolarmente interessante è rappresentato da un approccio in cui, a partire dalla traccia GPS, viene eseguita un’analisi basata su grafi, che permette di estrarre tre tipi di caratteristiche spaziotemporali dei segmenti, caratterizzando il dominio della mobilità (es. entropia,distanza da casa), la forma spaziale e le caratteristiche temporali (durata delle soste). Evidenziando come queste permettano di distinguere tra soggetti con Alzheimer e soggetti sani [6].
Un aspetto a cui prestare attenzione nel caso di algoritmi basati su machine learning è che alcuni di essi si basano sulla storia del comportamento motorio dell’utente. Nel caso di persone con demenza o Alzheimer questo approccio può essere controproducente, poiché manifestano una grande instabilità e variabilità nel tempo del comportamento motorio.
Un’ulteriore limitazione nello sviluppo di algoritmi di questo tipo è rappresentata dalla necessità di disporre di una grande quantità di datiper l’addestramento e la validazione dei modelli.Nel caso specifico di soggetti affetti da Alzheimer la raccolta di tali dati può risultare particolarmente complessa, anche a causa delle problematiche legate alla tutela della privacy e alla gestione di dati personali sensibili.
e-Health-GNSS-IMU: considerazioni finali
In tutti i casi sopra citati viene evidenziata l’importanza della fase di pre-processing, che risulta spesso particolarmente complessa e onerosa. Infatti, la qualità dei risultati ottenuti dagli algoritmi dipende fortemente dalla qualità dei dati in ingresso: quanto più i dati sono accurati, completi e opportunamente elaborati, tanto maggiori saranno le prestazioni degli algoritmi in termini di accuratezza e precisione.
Questo rappresenta un ulteriore elemento di interesse per l’azienda nello sviluppo di un algoritmo in grado di combinare le tecniche di posizionamento di precisione basate su e-Health-GNSS-IMU e altri strumenti, come le metodologie di mitigazione del multipath (un problema tipico nella raccolta di segnali in ambiente urbano), precedentemente sviluppate dall’azienda stessa, con tecniche di riconoscimento del wandering come quelle descritte in precedenza, con l’obiettivo di migliorarne le prestazioni complessive.
[1] L. Teri, E. B. Larson, B. V. Reifler, “Behavioral disturbance in dementia of the Alzheimer’s type,” Journal of the American Geriatrics Society, Vol. 36, no. 1, 1988, pp: 1–6.
[2] Lin, Q. , Zhao, W. and Wang, W. (2018) Detecting Dementia-Related Wandering Locomotion of Elders by Leveraging Active Infrared Sensors. Journal of Computer and Communications, 6, 94-105. doi: 10.4236/jcc.2018.65008.
[3] Q. Lin, D. Zhang, X. Huang, H. Ni and X. Zhou, “Detecting wandering behavior based on GPS traces for elders with dementia,” 2012 12th International Conference on Control Automation Robotics & Vision (ICARCV), Guangzhou, China, 2012, pp. 672-677, doi: 10.1109/ICARCV.2012.6485238.
[4] Jafarpournaser, N., Delavar, M. R., & Noroozian, M. (2025). A novel Short-time Fourier transform-based algorithm for detection of wandering in the patients with Alzheimer’s disease. Geo-Spatial Information Science, 28(4), 1826–1845. https://doi.org/10.1080/10095020.2024.2395861
[5] Jafarpournaser, N.; Delavar, M.R.; Noroozian, M. A Wandering Detection Method Based on Processing GPS Trajectories Using the Wavelet Packet Decomposition Transform for People with Cognitive Impairment. ISPRS Int. J. Geo-Inf. 2023, 12, 379. https://doi.org/10.3390/ijgi12090379
[6] Ghosh, A., Puthusseryppady, V., Chan, D. et al. Machine learning detects altered spatial navigation features in outdoor behaviour of Alzheimer’s disease patients. Sci Rep 12, 3160 (2022). https://doi.org/10.1038/s41598-022-06899-w
(Fonte: Gter)
