Health Monitoring in Personal Social Robotics

Abstract

Denne avhandlingen undersøker potensialet for å integrere sensorer for overvåkning av vitale målinger ved en personlig sosial robot, kalt ELMo. Målet er å utstyre roboten med evnen til å oppdage tidlige tegn på sykdommer eller infeksjoner, selv før symptomer vises.

Raspberry Pi 4 Model B, som ELMo er basert på, tillater erfaringsmessig enkel tilkobling av et bredt spekter av sensorer enten via kabler eller trådløst. Det er også funnet at kontinuerlig overvåkning av vitale målinger som hjertefrekvens potensielt kan muliggjøre pre-symptomatisk deteksjon av sykdommer eller infeksjoner.

Imidlertid viste sensoren som ble brukt i studien begrensninger i nøyaktighet med nåværende implementasjon, men det ser ut til at dette problemet kan overkommes med forbedringer av programvaren. Studien konkluderer med at den nåværende løsningen potensielt vil kunne oppdage sykdommer pre-symptomatisk med en forbedret nøyaktighet, men det hadde vært en bedre løsning å benytte en sensor som er i stand til å overvåke et enda bredere spekter av vitale målinger, og dermed gi en mer omfattende oversikt over brukerens helsetilstand.

Dette arbeidet gir et innblikk i hvordan slike sensorer kan implementeres, noe som forhåpentligvis kan bidra til å inkludere personlige sosiale roboter som ressurser i helsevesenet.

This thesis investigates the potential of integrating vital sign monitoring sensors into a personal social robot, ELMo. The aim is to equip the robot with the ability to detect early signs of diseases or infections, even before symptoms appear.

The research indicates that the Raspberry Pi 4 Model B, upon which ELMo is based, allows for an easy connection of a wide array of sensors either through cables or wirelessly. It is further found that continuous monitoring of vital signs such as heart rate can potentially enable pre-symptomatic detection of diseases or infections.

However, the sensor employed in the study demonstrated limitations in accuracy with the current software, although it appears that with software improvements, these could be overcome. The study concludes that while the current solution could potentially detect diseases pre-symptomatically with better accuracy, a superior solution would be to utilize a sensor capable of monitoring a wider range of vital signs, thus providing a more comprehensive overview of the user's health state.

This work will hopefully contribute towards the application of personal social robots in healthcare, providing insights into sensor implementation, performance, and opportunities for future advancements in early disease detection.