Unsupervised activities and age monitoring via smart ink pen

Considering the phenomenon of aging in every country of the world, this thesis presents the application of a modern smart ink pen (SIP), instrumented with force and motion sensors, to satisfy the need of monitoring health for the elderly. The SIP assures the ecological validity of the pen-on-paper method, as an activity in daily life and allows the quantitative evaluation, extracting writing and tremor indicators. Due to unsupervised conditions during handwriting in daily-life, machine learning techniques could offer a reliable solution to automatically identify the type of writing activity performed by the user and then classify each user in the relative age-groups. The first step is necessary for the unsupervised use of the pen at home since only after the discrimination of the activity and the consequent analysis of similar tasks it is possible to associate properly a subject to his age group. This age-groups classification can be a powerful tool for detecting anomalies linked to signs of premature aging. A potential affinity of writing indicators with those generally observed in a category of older subjects could be a sign of premature aging and interpreted as a prompt for a deeper examination. Therefore, the first aim of this work was to create a classification model capable of distinguishing automatically: a text from a list of words, drawings from writings and capital letters from cursive writing. The second aim was to have an automatic classification tool for anomaly detection and to detect premature aging in 60-69s-years-old persons, discriminated from over-70s on a list and text task. The age threshold has been established at 70 years old because of the decline in the motor task, after the age of 70. Particular attention was paid to the most significant indicators able to create these distinctions and to evaluate the relative benefit of a list made up of 61 pen indicators, recently enlarged, including originally only 14 features. The third aim of the study is to explore data through clustering algorithms and to enlighten the clusters’ characteristics among 60-69s and over 70s subjects. Accuracy results in the validation phase for handwriting activities have been optimal, obtaining 98%, 93%, and 90% for each classification. Moreover, outcomes in classification between 60-69s and over70s reach an accuracy of 89% and 87% on list and text task, showing though more variability on test sets; while clustering results do not bring any robust solution, due to great variance on test sets scores.

Considerando il fenomeno dell'invecchiamento nel mondo, questo lavoro presenta l'applicazione di una moderna penna intelligente a inchiostro, equipaggiata da sensori di forza e movimento, per soddisfare l'esigenza di monitorare la salute degli anziani. La penna assicura la validità ecologica del metodo penna-su-carta, essendo un’attività quotidiana, e consente la valutazione quantitativa, ottenendo indicatori di scrittura e tremore. Data la presenza di condizioni non controllate durante la scrittura nella vita quotidiana, le tecniche di machine learning possono offrire una soluzione affidabile per identificare automaticamente la tipologia di attività di scrittura eseguita dall’utente e classificare ogni utente nelle relative fasce d'età. La prima fase è necessaria per l'uso in casa non supervisionato della penna poiché solo dopo la discriminazione dell'attività e la conseguente analisi di attività simili è possibile associare correttamente un soggetto alla sua fascia d'età. Questa classificazione può essere un potente strumento per rilevare anomalie legate a segni di invecchiamento precoce: una potenziale affinità degli indicatori con quelli generalmente osservati in una categoria di soggetti più anziani potrebbe infatti essere un suggerimento per un esame più approfondito. Pertanto, il primo obiettivo di questo lavoro riguarda la creazione di un modello di classificazione in grado di discriminare un testo da una lista di parole, disegno dalla scrittura e maiuscolo dal corsivo. Come secondo obiettivo, avere uno strumento di classificazione automatica per l'individuazione dell'invecchiamento precoce nelle persone tra 60-69 anni, distinte dai soggetti di età superiore ai 70 anni nelle attività di testo e lista. La soglia di età è stata stabilita a 70 anni a causa del declino del compito motorio. Particolare attenzione è stata posta, sugli indicatori più significativi nelle classificazioni e sull'implementazione di 61 indicatori, rispetto agli originali 14. Il terzo obiettivo è quello di esplorare i dati attraverso algoritmi di clustering per evidenziare le caratteristiche tra soggetti 60-69enni e over70. L’accuratezza, in fase di validazione, sulla classificazione di attività è stata ottimale, ottenendo il 98%, il 93% e il 90% per ogni classificazione. Inoltre, i risultati nella classificazione tra 60-69enni e gli over 70 raggiungono accuratezza dell’89% e 87% per lista e testo, anche se mostrando più variabilità su dati di test; mentre i risultati del clustering non portano a nessuna soluzione robusta, a causa dell’alta varianza sui punteggi sui dati di test.