| dc.description.abstract | Barn med cerebral parese (CP) står ofte overfor utfordringer knyttet til bevegelse og kommunikasjon. MoveMe har som mål å tilby et verktøy som motiverer bevegelse hos disse barna ved å bruke sensorer som er i stand til å oppdage bevegelse og gi respons som lyder og vibrasjoner. For å håndtere problemet med ufrivillige bevegelser eller spasmer som oppleves av barn med CP, er det viktig å sikre at sensorens reaksjoner ikke utløses under slike ufrivillige bevegelser. Dette skyldes at respons som lyder eller vibrasjoner potensielt kan forårsake flere spasmer og dermed undergrave den tiltenkte kognitive læringen ved bruk av sensoren. Det er derfor nødvendig å utvikle en mekanisme som korrekt oppdager spasmer i sanntid.
Denne masteroppgaven fokuserer på å utvikle og vurdere en maskinlæringsalgoritme for å oppdage spasmer hos barn med CP. Målet er å gjøre MoveMe-appen i stand til å effektivt motivere bevegelse og bidra til kognitiv utvikling. Spesifikt bruker oppgaven en semi-overvåket tilnærming og trener tolv forskjellige autoencoder-modeller med formålet å identifisere den mest passende arkitekturen. Denne avgjøres ved å sammenligne F1-scoren til modellene i forhold til klassifiseringen av syntetiske avvik som ble introdusert under trening.
Resultatene viser at flere autoencoder-modeller effektivt kan oppdage syntetiske spasmer. De best presterende modellene, inkludert feed-forward neural network (FF-NN), convolutional neural network (CNN) og long short-term memory (LSTM) modeller, oppnådde en minimum F1-score på 0.78 for begge typer syntetiske avvik. Spesielt viste CNN- og LSTM-modellene lovende resultater for spasme-deteksjon, med en justert F1-score på 0.92 for spissavvik og 0.80 for skaleringsavvik. Oppsummert anses den mest robuste modellen blant de som ble vurdert i denne masteroppgaven å være en CNN-variasjonsautoencoder (VAE). I tillegg indikerer funnene at syntetiske skaleringsavvik ligner sterkt på registrerte simulerte spasmer. Imidlertid viste F1-scoren seg å være sensitiv for injisert avviksfaktor, noe som understreker behovet for grundig vurdering ved valg av denne parameteren og muligens en mer omfattende dataanalyse av spasmebevegelser. Disse funnene gir verdifulle innsikter for valg av en passende modell for spasme-deteksjon. Med et mer variert datasett viser den valgte CNN-autoencoderen en mulighet for integrasjon med en bevegelsesklassifiseringsalgoritme i fremtidig forskning. | |
| dc.description.abstract | Children with cerebral palsy (CP) often face challenges related to movement and communication. MoveMe aims to provide a tool that motivates movement in these children by utilizing sensors capable of detecting movement and providing responses such as sounds and vibrations. To address the issue of involuntary movements or spasms experienced by children with CP, it is crucial to ensure that sensor reactions are not triggered during such involuntary movements. This is because responses like sounds or vibrations can potentially induce more spasms, undermining the intended cognitive learning from using the sensor. Therefore, it is necessary to develop a mechanism that correctly detects spasms in real-time.
This thesis focuses on developing and assessing a machine learning algorithm to detect spasms in children with CP, enabling the MoveMe app to effectively motivate movement and contribute to cognitive development. Specifically, the thesis employs a semi-supervised approach and trains twelve different autoencoder models with the purpose of identifying the most suitable architecture. The latter is decided based on comparing the baseline F1-scores of the models relatively to the classification of synthetic anomalies that were introduced during training.
The results demonstrate that several autoencoder models can effectively detect synthetically added spasms. The best-performing models, including feed-forward neural network (FF-NN), convolutional neural network (CNN), and long short-term memory (LSTM) models, achieved a minimum F1-score of 0.78 for both types of synthetic anomalies. In particular, the CNN and LSTM models exhibited promising results for spasm detection, attaining adjusted F1-scores of 0.92 for spike anomalies and 0.80 for scale anomalies. Summarizing, the most robust model among the ones that were considered in this thesis is deemed to be a CNN-variational autoencoder (VAE). Additionally, the findings indicate that synthetic scale anomalies closely resemble recorded simulated spasms. However, the F1-score was found to be sensitive to the injected anomaly factor, emphasizing the need for careful consideration when choosing this parameter and possibly a more extensive data analysis for spasm movement. These findings offer valuable insights for selecting an appropriate model for spasm detection. With a more diverse dataset, the chosen CNN autoencoder demonstrates promise for integration with a movement classification algorithm in future research. | |