Gli indossabili intelligenti rilevano le cadute negli anziani con una precisione del 96,7% grazie all'IA e a LoRa

Le cadute sono la seconda causa principale di morte per trauma non intenzionale a livello globale, con un numero stimato di 684.000 decessi all'anno, e gli adulti oltre i 60 anni sono i più a rischio. Quasi la metà degli anziani che cadono non riesce a rialzarsi senza assistenza, rendendo il rilevamento rapido e l'invio di allarmi elementi essenziali. Tuttavia, i rilevatori di cadute indossabili esistenti sacrificano spesso la durata della batteria in favore della precisione, oppure si affidano al Bluetooth a corto raggio, che richiede la presenza di uno smartphone nelle vicinanze, limitando così l'affidabilità nel mondo reale.

Questo studio di ricercatori dell'Universidad de Málaga e dell'Universidad de Investigación y Desarrollo (Colombia) propone un sistema ibrido indossabile che affronta simultaneamente tutte e tre le limitazioni principali: precisione di rilevamento, efficienza energetica e portata delle comunicazioni. Il dispositivo integra un accelerometro con campionamento a 20 Hz e una pipeline di rilevamento a due stadi. Nel primo stadio, un modello leggero basato su soglie monitora in modo continuo la magnitudine dell'accelerazione e attiva il sistema solo quando viene superato un limite predefinito, mantenendo altrimenti il processore e la radio LoRa in modalità di sospensione profonda. Nel secondo stadio, un campione di accelerazione in una finestra temporale di 4 secondi viene trasmesso via LoRa a un server remoto, dove un modello di deep learning CNN-LSTM esegue la classificazione finale caduta/non caduta. La CNN estrae caratteristiche spaziali dal segnale dell'accelerometro, mentre l'LSTM cattura i pattern temporali del movimento; insieme, riducono i falsi positivi generati dai modelli a soglia più semplici.

Il prototipo ha raggiunto una sensibilità del 96,67% (tasso di rilevamento per le cadute effettive) e una specificità del 100% (nessuna classificazione erronea delle Attività della Vita Quotidiana come cadute) durante i test sperimentali con scenari di caduta simulati. Il design a bassissimo consumo energetico ha esteso l'autonomia della batteria a 178 ore di monitoraggio continuo, un risultato significativamente superiore rispetto a molti sistemi concorrenti. L'architettura LPWAN di LoRa consente trasmissioni su scala chilometrica senza infrastrutture cellulari, operando su bande di frequenza non licenziate per eliminare i costi ricorrenti di rete e la dipendenza dallo smartphone.

Il sistema supera le prestazioni di diversi rilevatori di cadute basati su LoRa e NB-IoT esaminati nell'articolo. A titolo di confronto, sistemi paragonabili hanno raggiunto accuratezze comprese tra l'89,2% e il 96,93%, spesso con una durata della batteria inferiore o una portata di comunicazione limitata. Il design dell'algoritmo ibrido — che delega il deep learning, computazionalmente oneroso, a un server remoto anziché al dispositivo indossabile stesso — rappresenta un'intuizione architetturale fondamentale che consente simultaneamente alta precisione e basso consumo energetico.

Si applicano alcune avvertenze importanti: gli scenari di caduta erano simulati e non osservati in anziani reali in contesti naturalistici, il che potrebbe sovrastimare le prestazioni nel mondo reale. La dimensione del dataset e la diversità dei soggetti non sono descritte in dettaglio nel testo disponibile, e il sistema non è stato ancora validato in trial clinici o di monitoraggio domiciliare a lungo termine. Inoltre, l'infrastruttura di gateway LoRa deve essere disponibile negli ambienti di deployment, il che potrebbe limitarne l'applicabilità in alcune aree rurali o in ambienti interni privi di copertura LPWAN esistente.