Classification of the human swaying processes: A machine learning approach

Kyseessä on tietojenkäsittelytieteen väitöskirjatutkimus, jonka tuloksena kehitettyjä laskentamenetelmiä hyödynnetään korvalääketieteellisessä tasapainotutkimuksessa. Tutkimuksessa kehitettiin laskentamenetelmiä, joiden avulla on mahdollista luokitella tasapainomittauksesta saatavien signaalien perusteella mihin eri henkilöryhmistä yksittäinen koehenkilö kuuluu. Tasapainomittauksessa mitataan paikallaan seisovan koehenkilön jalkojen alle kohdistuvan voiman keskipisteen sijaintia sekä suuruutta. Näin mitattuja signaaleja syötetään kehitetylle tietokoneohjelmalle, joka suorittaa luokittelua mittaussignaaleista oppimiensa ominaisuuksien avulla. Tässä oppimisella tarkoitetaan sitä, että tietokoneella jäljitellään ihmisen oppimismekanismia. Tietokoneelle esitetään eri ryhmiltä saatuja signaaleja ja samalla kerrotaan, mihin ryhmään esitettävänä oleva signaali kuuluu. Tämän opettamisvaiheen jälkeen tietokoneelle syötetään sellaisia uusia signaaleja, joita ei ole käytetty opettamisvaiheessa. Tietokoneen tehtävänä on signaalin luokittelu oikeaan ryhmään oppimiensa sääntöjen mukaan. Mitattavat henkilöryhmät ovat olleet (1) terveet nuoret opiskelijat, (2) erilaisista huimaussairauksista kärsivät potilaat sekä (3) aktiiviset ja terveet eläkeikäiset henkilöt. Työn tuloksena yksittäisen koehenkilön luokitteleminen oikeaan ryhmään onnistuu noin 80 prosentissa tapauksista laskentamenetelmästä riippuen. Laskentamenetelminä käytettiin mm. Markovin piilomalleja. Tilastokeskuksen mukaan vuosina 2006 ja 2007 suomessa sai surmansa 491 15-64-vuotiasta henkilöä maaliikenteessä sattuneissa onnettomuuksissa. Samaan aikaan vastaavassa ikäryhmässä kuolemaan johtaneita kaatumistapauksia oli maassamme 547 tapausta. Lievemmät kaatumiset ovat usein syynä pitkäaikaisiin sairauslomiin, joilla on taloudellisia vaikutuksia sekä työntekijälle että työn antajalle. Koska kaatumistapaukset ovat merkittävä osa vammautumiseen ja kuolemaan johtaneista onnettomuuksista, niihin johtaneiden tekijöiden tutkiminen on tärkeää. Jokapäiväisessä elämässä terveen ihmisen tasapainon hallinta on täysin automaattista, eikä siihen tarvitse tietoisesti puuttua. Ikääntyminen, työssä saatu melu- ja liuotinainealtistus sekä tietyt sairaudet heikentävät ihmisen kykyä säädellä omaa tasapainoaan, minkä johdosta kaatumisriski lisääntyy. Kaatumisista aiheutuvat vammat ovat usein kohtalokkaita erityisesti vanhuksille. Tyypillisiä kaatumisen aiheuttamia vammoja ovat mm. ranteen, olkapään sekä lonkan alueen murtumat. Lonkan alueen murtumat ovat usein vaikeita hoitaa ja ne voivat johtaa merkittävään elämänlaadun alenemiseen, jopa enneaikaiseen kuolemaan. Koehenkilön oikean ryhmän ennustamista voidaan pitää eräänä diagnosoinnin apuvälinenä. Jos esimerkiksi nuoren koehenkilön huojunta muistuttaa ikäihmisen huojuntaa, saattaa tarkasteltavan koehenkilön tasapainoaisteissa olla häiriöitä, joita pitäisi sopivan kuntoutuksen avulla vähentää.According to Central Statistical Office of Finland falls are a more common cause of death in Finland than ground traffic accidents. Furthermore, hip fractures caused by falls among the oldest old are usually impossible to cure properly; they are expensive and cause reduction in the quality of life. Against this background a method for predicting the risk of falling is needed. Furthermore, suitable methods for improving the weakened ability to maintain balance should be studied. In this work the focus is on the classification of measured human swaying data. The classification of swaying data can be considered as a starting point of the prediction of increased risk of falling. The evaluation of human ability to maintain balance is primarily done by analyzing the results of Computerized Dynamic Posturography (CDP). During CDP a subject is standing on the force platform which records his/her body movements originated from the muscle activity required to keep the upright stance. Analyzing the results of CDP is diverse and there is no single best method known. In this work machine learning methods such as hidden Markov models are applied to CDP data which was measured from students, otoneurological patients and elderly subjects. The primary goal is in the prediction of the origin of unknown CDP data. For instance, is unknown data measured from a young student or from an otoneurological patient? In certain cases this prediction can be used as an indicator that a preventive action should be taken. For instance, if a young person s swaying data resembles the data of an elderly, there might be something wrong in his or her postural control system. Depending on the study in question (students, patients and elderly) the correct prediction accuracies in this work varied between 65-90%. This result is good, because the visual discrimination of swaying data is very difficult and differences between subject classes are subtle. For instance, if there are two graphs from signals which are measured from different swaying processes, it is almost impossible to say the origin of the signals with visual inspection