การออกแบบและพัฒนาระบบอัจฉริยะสำหรับตรวจจับท่านอนบนเตียงของผู้ป่วยสูงอายุ
Design and Develop a Smart System for Monitoring Sleep Posture of Elderly Patients on a Bed
Abstract
การพลัดตกหกล้มจากเตียงเป็นปัญหาสำคัญที่ส่งผลกระทบต่อผู้สูงอายุทั่วโลก ส่งผลกระทบให้เกิดการบาดเจ็บและต้องอยู่โรงพยาบาลเป็นเวลานาน ซึ่งอาจนำไปสู่ภาวะแทรกซ้อนอื่น เช่น แผลกดทับ ดังนั้นการเฝ้าระวังท่านอนของผู้สูงอายุจึงมีความสำคัญ เนื่องจากช่วยป้องกันและเตือนภัยการพลัดตกหกล้มจากเตียงได้ วัตถุประสงค์ของงานวิจัยนี้ คือ การออกแบบและพัฒนาระบบอัจฉริยะที่ตรวจจับรูปแบบการนอนหลับแบบตามเวลาจริง โดยใช้เซ็นเซอร์แรงกด 10 ตัว ที่ติดตั้งบนที่นอน โดยระบบสามารถตรวจจับท่านอนได้ 8 สถานะ ได้แก่ ตกเตียง นอนหงาย นอนตะแคงซ้าย นอนตะแคงขวายกตัวนั่งบนเตียง นั่งห้อยขาลงจากด้านซ้ายของเตียง และนั่งห้อยขาลงจากด้านขวาของเตียง นอกจากนี้ ยังใช้เซ็นเซอร์วัดอุณหภูมิและความชื้นในการตรวจสอบสภาพแวดล้อมที่เหมาะสม ข้อมูลจะถูกประมวลผลโดยไมโครคอนโทรลเลอร์ที่ส่งการแจ้งเตือนผ่านโมดูล Wi-Fi ไปยังเซิร์ฟเวอร์บนคอมพิวเตอร์และแจ้งเตือนผู้ดูแลผ่านแอปพลิเคชันบนมือถือ ประสิทธิภาพของระบบเตียงที่พัฒนาขึ้นได้ถูกทดสอบกับตัวอย่าง 4 คน แต่ละคนมีท่านอนทั้ง 8 สถานะ ผลการทดสอบแสดงให้เห็นว่าระบบสามารถตรวจจับสถานะตำแหน่งท่านอนดังนี้ ท่าไม่อยู่บนเตียง ท่านั่งบนเตียง และท่านั่งห้อยขาลงจากด้านซ้ายของเตียงด้วยความแม่นยำ 100% อีกทั้ง ผลทดสอบมีความแม่นยำ 91.67% สำหรับท่านอนหงายและท่านอนตะแคงซ้าย มีความแม่นยำ 75.00% สำหรับท่านอนตะแคงขวา มีความแม่นยำ 66.67% สำหรับท่านั่งห้อยขาลงจากด้านขวาของเตียงและท่านั่งยกตัวขึ้นจากเตียง และระบบสามารถแจ้งเตือนท่านอนเดิมทุก 2 ชั่วโมง ได้อย่างถูกต้อง
Falls from bed are a significant problem affecting the elderly population worldwide, leading to injuries and prolonged hospital stays, which can result in complications such as pressure ulcers. Therefore, monitoring the sleeping posture of elderly individuals is crucial, as it helps prevent falls and provides timely alerts. The objective of this research is to design and develop a smart system that detects real-time sleeping postures using 10 pressure sensors installed on a bed mattress. The system identifies 8 sleep positions: off bed, supine position, left lateral position, right lateral position, raised position, sitting on the bed, legs hanging down from the left side of the bed, and legs hanging down from the right side of the bed. Additionally, temperature and humidity sensors monitor the environmental conditions to ensure comfort. The data is processed by a microcontroller, which sends alerts through a Wi-Fi module to a server on a computer and notifies caregivers via a mobile application. The efficiency of the developed bed system was tested on 4 individuals, with 8 different sleeping positions per person. The results showed that the system accurately detected the following positions: off bed, sitting on the bed, and sitting with legs hanging off the left side of the bed, with 100% accuracy. It achieved 91.67% accuracy for the supine and left-side lying positions, 75.00% accuracy for the right-side lying position, and 66.67% accuracy for sitting with legs hanging off the right side of the bed and sitting up from the bed. Finally, during a 2-hour test in which the subjects maintained the same sleeping position, the system provided accurate alerts.
Keywords
[1] World Health Organization. (2018). Ageing and health. [Online]. Available: https://www.who. int/news-room/fact-sheets/detail/ageing-andhealth
[2] E. Karvounis, S. Polymeni, M. Tsipouras, K. Koritsoglou, and D. Tzovaras, “Smart beds and bedding surfaces for personalized patient care: A Review,” presented at the 6th South- East Europe Design Automation, Computer Engineering, Computer Networks and Social Media Conference (SEEDA-CECNSM), Preveza, Greece, Sep. 24–26, 2021.
[3] World Health Organization. (2021). Falls [Online]. Available: https://www.who.int/newsroom/ fact-sheets/detail/falls
[4] W. Chou, W. Lin, M. Lee, and K. F. Lei, “Design and assessment of a real-time accelerometerbased lying-to-sit sensing system for bed fall prevention,” presented at the IEEE International Conference on Systems, Man, and Cybernetics, Manchester, UK, Oct. 13–16, 2013.
[5] A. Härmä, W. T. Kate, and J. Espina, “Bed exit prediction based on movement and posture data,” presented at the IEEE-EMBS International Conference on Biomedical and Health Informatics (BHI), Valencia, Spain, Jun. 1–4, 2014.
[6] H. Liu, J. Huang, C. Lu, Z. Lan, and Q. Wang, “Indoor monitoring system for elderly based on ZigBee network,” presented at the International Symposium on Micro-Nano Mechatronics and Human Science (MHS), Nagoya, Japan, Nov. 28–30, 2016.
[7] N. Rathi, M. Kakani, M. El-Sharkawy, and M. Rizkalla, “Wearable low power pre-fall detection system with IoT and Bluetooth capabilities,” presented at the IEEE National Aerospace and Electronics Conference (NAECON), Dayton, OH, USA, Jun. 27–30, 2017.
[8] L. Limin, Z. Chunhui, L. Shengwei, and F. Yongji, “A data-driven human activity classification method for an intelligent hospital bed,” presented at the 40th International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Honolulu, HI, USA, Jul. 18–21, 2018.
[9] A. Hayat and M. Shan, “Fall detection system for labour safety,” presented at the International Conference on Engineering, Applied Sciences, and Technology (ICEAST), Phuket, Thailand, Jul. 4–7, 2018.
[10] H. Komagata, T. Hattori, R. Ohshima, E. Kakinuma, M. Ishikawa, and K. Shinoda, “Development of human behavior monitoring system around bed using infrared depth sensor,” presented at the IEEE 1st Global Conference on Life Sciences and Technologies (LifeTech), Osaka, Japan, Mar. 12–14, 2019.
[11] I. Morawski, W. Lie, L. Aing, J. Chiang, and K. Chen, “Deep-learning technique for Riskbased action prediction using extremely low-resolution thermopile sensor array,” IEEE Transactions on Circuits and Systems for Video Technology, vol. 33, no. 6, pp. 2852–2863, 2023.
[12] J. Lu, Z. Ou, Z. Liu, C. Han, and W. Ye, “Radar Based Real-Time Fall Detection System with Low Power Consumption,” presented at the 18th International SoC Design Conference (ISOCC), Jeju Island, Korea, Republic, Oct. 6–9, 2021.
[13] P. Bauer, J. B. Kramer, B. Rush, and L. Sabalka, “Modeling bed exit likelihood in a camera-based automated video monitoring application,” presented at the IEEE International Conference on Electro Information Technology (EIT), Lincoln, NE, USA, May. 14–17, 2017.
[14] M. C. Vilas-Boas, M. V. Correia, S. R. Cunha, and P. Silva, “Monitoring of bedridden patients: Development of a fall detection tool,” presented at the IEEE 3rd Portuguese Meeting in Bioengineering (ENBENG), Braga, Portugal, Feb. 20–23, 2013.
[15] A. Arcelus, C. L. Herry, R. A. Goubran, F. Knoefel, H. Sveistrup, and M. Bilodeau, “Determination of sit-to-stand transfer duration using bed and floor pressure sequences,” IEEE Transactions on Biomedical Engineering, vol. 56, no. 10, pp. 2485–2492, 2009.
[16] C. Lee, S. Yang, C. Li, M. Liu, and P. Kuo “Alarm system for bed exit and prolonged bed rest,” presented at the International Conference on Machine Learning and Cybernetics (ICMLC), Chengdu, China, Jul. 15–18, 2018.
DOI: 10.14416/j.kmutnb.2024.11.005
ISSN: 2985-2145
Email this article 
Hide
Show all