SavedAdd your journal

Journals / Muş Alparslan Üniversitesi Fen Bilimleri Dergisi / 2025 / Cilt: 13 Sayı: 2

Bası Yaralarının Oluşumunu Önlemek İçin Giyilebilir IMU Sensörler ve Makine Öğrenmesi Yaklaşımı ile Yatış Pozisyonu Tespit ve Takip Sistemi

Rabia Gizemnur Eren(İSTANBUL 29 MAYIS ÜNİVERSİTESİ)0000-0001-7501-486X
Beyda Taşar(FIRAT ÜNİVERSİTESİ)0000-0002-4689-8579
Pages
287–299
Publication Date
2025-12-25
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Sonuçlar, sistemin klinik kullanıma uygun, taşınabilir ve güvenilir bir destek aracı olabileceğini göstermektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bası yaraları, özellikle mobilite kısıtlılığı yaşayan bireylerde sık karşılaşılan ve yaşam kalitesini olumsuz etkileyen ciddi bir sağlık sorunudur.
📊
Key Findings & Data:Göğüs ve bacak bölgelerine yerleştirilen IMU sensörlerinden elde edilen Euler açıları temel alınarak, beş farklı yatış pozisyonu makine öğrenmesi algoritmaları (k-En Yakın Komşu, Karar Ağacı ve Rastgele Orman) ile sınıflandırılmıştır.
💡
Conclusion & Impact:Sonuçlar, sistemin klinik kullanıma uygun, taşınabilir ve güvenilir bir destek aracı olabileceğini göstermektedir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Bası Yarası Önleme · Giyilebilir Teknolojiler · IMU Sensörler

Abstract

Bası yaraları, özellikle mobilite kısıtlılığı yaşayan bireylerde sık karşılaşılan ve yaşam kalitesini olumsuz etkileyen ciddi bir sağlık sorunudur. Bu çalışmada, bası yaralarının önlenmesine katkı sağlamak amacıyla giyilebilir IMU sensörler kullanılarak yatış pozisyonlarının tespit edilmesini sağlayan bir sistem geliştirilmiştir. Göğüs ve bacak bölgelerine yerleştirilen IMU sensörlerinden elde edilen Euler açıları temel alınarak, beş farklı yatış pozisyonu makine öğrenmesi algoritmaları (k-En Yakın Komşu, Karar Ağacı ve Rastgele Orman) ile sınıflandırılmıştır. Çalışmaya, 18-65 yaş aralığında 100 gönüllü katılmıştır. Elde edilen sonuçlar, Rastgele Orman modelinin %99.8 doğruluk ve %99.9 özgünlük ile en yüksek başarıyı gösterdiğini ortaya koymuştur. Geliştirilen sistem, kablosuz veri aktarımı ve kullanıcı konforuna uygun hafif tasarımıyla, özellikle yoğun bakım ve evde bakım ortamlarında bası yarası riskinin azaltılması için etkili bir çözüm sunmaktadır. Ayrıca, sistemin ileri düzey algoritmalar ve sensör entegrasyonları ile geliştirilerek bireyselleştirilmiş hasta takibine yönelik uygulanabilirliği tartışılmıştır. Sonuçlar, sistemin klinik kullanıma uygun, taşınabilir ve güvenilir bir destek aracı olabileceğini göstermektedir.

Özet

Bası yaraları, özellikle mobilite kısıtlılığı yaşayan bireylerde sık karşılaşılan ve yaşam kalitesini olumsuz etkileyen ciddi bir sağlık sorunudur. Bu çalışmada, bası yaralarının önlenmesine katkı sağlamak amacıyla giyilebilir IMU sensörler kullanılarak yatış pozisyonlarının tespit edilmesini sağlayan bir sistem geliştirilmiştir. Göğüs ve bacak bölgelerine yerleştirilen IMU sensörlerinden elde edilen Euler açıları temel alınarak, beş farklı yatış pozisyonu makine öğrenmesi algoritmaları (k-En Yakın Komşu, Karar Ağacı ve Rastgele Orman) ile sınıflandırılmıştır. Çalışmaya, 18-65 yaş aralığında 100 gönüllü katılmıştır. Elde edilen sonuçlar, Rastgele Orman modelinin %99.8 doğruluk ve %99.9 özgünlük ile en yüksek başarıyı gösterdiğini ortaya koymuştur. Geliştirilen sistem, kablosuz veri aktarımı ve kullanıcı konforuna uygun hafif tasarımıyla, özellikle yoğun bakım ve evde bakım ortamlarında bası yarası riskinin azaltılması için etkili bir çözüm sunmaktadır. Ayrıca, sistemin ileri düzey algoritmalar ve sensör entegrasyonları ile geliştirilerek bireyselleştirilmiş hasta takibine yönelik uygulanabilirliği tartışılmıştır. Sonuçlar, sistemin klinik kullanıma uygun, taşınabilir ve güvenilir bir destek aracı olabileceğini göstermektedir.

🔖

Cite This Article

Eren, R. G., Taşar, B. (2025). Bası Yaralarının Oluşumunu Önlemek İçin Giyilebilir IMU Sensörler ve Makine Öğrenmesi Yaklaşımı ile Yatış Pozisyonu Tespit ve Takip Sistemi. Muş Alparslan Üniversitesi Fen Bilimleri Dergisi, Cilt: 13 Sayı: 2, 287–299. https://doi.org/10.18586/msufbd.1724752

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (50)

  1. D. C. Klonoff, "The increasing incidence of diabetes in the 21st century," 2009, SAGE Publications Sage CA: Los Angeles, CA.
  2. B. Pieper, "Pressure ulcers: impact, etiology, and classification," Acute and Chronic Wounds-E-Book, p. 124, 2015.
  3. S. D. Horn et al., "The National Pressure Ulcer Long-Term Care Study: pressure ulcer development in long-term care residents," J Am Geriatr Soc, vol. 52, no. 3, pp. 359-367, 2004.
  4. L. E. Edsberg, J. M. Black, M. Goldberg, L. McNichol, L. Moore, and M. Sieggreen, "Revised National Pressure Ulcer Advisory Panel pressure injury staging system: revised pressure injury staging system," Journal of Wound, Ostomy, and Continence Nursing, vol. 43, no. 6, p. 585, 2016.
  5. J. Cuddigan, "Clinical Aspects of Deep Tissue Pressure Injury," 2016.
  6. D. Berlowitz, C. Vandeusen Lukas, V. Parker, and Others, "Preventing pressure ulcers in hospitals| agency for healthcare research & quality," 2018.
  7. S. A. JJ, T. I. B. JE, J. Posnett, L. San Miguel, and Others, "The Burden of Pressure Ulcers in Spain," Wounds, vol. 19, no. 7, pp. 201-206, 2007.
  8. A. Tubaishat, P. Papanikolaou, D. Anthony, and L. Habiballah, "Pressure Ulcers Prevalence in the Acute Care Setting: A Systematic Review, 2000-2015," Clin Nurs Res, vol. 27, no. 6, pp. 643-659, 2018, doi: 10.1177/1054773817705541.
  9. S. Zahia, M. B. Garcia Zapirain, X. Sevillano, A. González, P. J. Kim, and A. Elmaghraby, "Pressure injury image analysis with machine learning techniques: A systematic review on previous and possible future methods," Artif Intell Med, vol. 102, no. November 2018, p. 101742, 2020, doi: 10.1016/j.artmed.2019.101742.
  10. Q. Jiang et al., "The incidence, risk factors and characteristics of pressure ulcers in hospitalized patients in China," Int J Clin Exp Pathol, vol. 7, no. 5, p. 2587, 2014.
  11. G. Brown, "Long-term outcomes of full-thickness pressure ulcers: healing and mortality," Ostomy Wound Manage, vol. 49, no. 10, pp. 42-50, 2003.
  12. G. Liu, K. Li, L. Zheng, W. H. Chen, G. Zhou, and Q. Jiang, "A Respiration-Derived Posture Method Based on Dual-Channel Respiration Impedance Signals," IEEE Access, vol. 5, pp. 17514-17524, Aug. 2017, doi: 10.1109/ACCESS.2017.2737461.
  13. R. van V. L. C. D. W. F. C. and C. P. Sarah Fallmann, "Wearable Accelerometer Based Extended Sleep Position Recognition," Oct. 2017.
  14. Z. Li, Y. Zhou, and G. Zhou, "A dual fusion recognition model for sleep posture based on air mattress pressure detection," Sci Rep, vol. 14, no. 1, Dec. 2024, doi: 10.1038/s41598-024-61267-0.
  15. J. Liu, Y. Chen, Y. Wang, X. Chen, J. Cheng, and J. Yang, "Monitoring Vital Signs and Postures during Sleep Using WiFi Signals," IEEE Internet Things J, vol. 5, no. 3, pp. 2071-2084, Jun. 2018, doi: 10.1109/JIOT.2018.2822818.
  16. S. M. Mohammadi, M. Alnowami, S. Khan, D.-J. Dijk, A. Hilton, and K. Wells, Sleep Posture Classification using a Convolutional Neural Network. 2018. doi: 10.0/Linux-x86_64.
  17. Y.-J. L. L. L. C. C. Y.-P. H. Yan-Ying Li, Sleep Posture Classification with Multi-Stream CNN Using Vertical Distance Map. IEEE 2018 International Workshop on Advanced Image Technology, 2018.
  18. Y. W. K. K. D. C. D. C. D. S. S. H. H. O.S. Eyobu, A real-time sleeping position recognition system using IMU sensor motion data. IEEE 2018 IEEE International Conference on Consumer Electronics (ICCE), 2018.
  19. K. Kido et al., "A novel CNN-based framework for classification of signal quality and sleep position from a capacitive ECG measurement," Sensors (Switzerland), vol. 19, no. 7, Apr. 2019, doi: 10.3390/s19071731.
  20. X. W. M. S. and K. L. Zhong Liu, "A Method to Recognize Sleeping Position Using an CNN Model Based on Human Body Pressure Image," 2019 IEEE International Conference on Power, Intelligent Computing and Systems (ICPICS), 2019.
  21. S. Jeon, T. Park, A. Paul, Y. S. Lee, and S. H. Son, "A wearable sleep position tracking system based on dynamic state transition framework," IEEE Access, vol. 7, pp. 135742-135756, 2019, doi: 10.1109/ACCESS.2019.2942608.
  22. S. Akbarian, G. Delfi, K. Zhu, A. Yadollahi, and B. Taati, "Automated Non-Contact Detection of Head and Body Positions during Sleep," IEEE Access, vol. 7, pp. 72826-72834, 2019, doi: 10.1109/ACCESS.2019.2920025.
  23. L. A. Zavala-Mondragon, B. Lamichhane, L. Zhang, and G. de Haan, "CNN-SkelPose: a CNN-based skeleton estimation algorithm for clinical applications," J Ambient Intell Humaniz Comput, vol. 11, no. 6, pp. 2369-2380, Jun. 2020, doi: 10.1007/s12652-019-01259-5.
  24. Y. Cao et al., "Contactless Body Movement Recognition during Sleep via WiFi Signals," IEEE Internet Things J, vol. 7, no. 3, pp. 2028-2037, Mar. 2020, doi: 10.1109/JIOT.2019.2960823.
  25. S. Yue, Y. Yang, H. Wang, H. Rahul, and Di. Katabi, "BodyCompass: Monitoring Sleep Posture with Wireless Signals," Proc ACM Interact Mob Wearable Ubiquitous Technol, vol. 4, no. 2, Jun. 2020, doi: 10.1145/3397311.
  26. H. Diao et al., "Deep Residual Networks for Sleep Posture Recognition with Unobtrusive Miniature Scale Smart Mat System," IEEE Trans Biomed Circuits Syst, vol. 15, no. 1, pp. 111-121, Feb. 2021, doi: 10.1109/TBCAS.2021.3053602.
  27. Z. Chen and Y. Wang, "Remote Recognition of In-Bed Postures Using a Thermopile Array Sensor with Machine Learning," IEEE Sens J, vol. 21, no. 9, pp. 10428-10436, May 2021, doi: 10.1109/JSEN.2021.3059681.
  28. Q. Hu, X. Tang, and W. Tang, "A Real-Time Patient-Specific Sleeping Posture Recognition System Using Pressure Sensitive Conductive Sheet and Transfer Learning," IEEE Sens J, vol. 21, no. 5, pp. 6869-6879, Mar. 2021, doi: 10.1109/JSEN.2020.3043416.
  29. A. Y. C. Tam, B. P. H. So, T. T. C. Chan, A. K. Y. Cheung, D. W. C. Wong, and J. C. W. Cheung, "A blanket accommodative sleep posture classification system using an infrared depth camera: A deep learning approach with synthetic augmentation of blanket conditions," Sensors, vol. 21, no. 16, Aug. 2021, doi: 10.3390/s21165553.
  30. T. Zhou, Z. Xia, X. Wang, and F. Xu, "Human Sleep Posture Recognition Based on Millimeter-Wave Radar," in 2021 Signal Processing Symposium, SPSympo 2021, Institute of Electrical and Electronics Engineers Inc., 2021, pp. 316-321. doi: 10.1109/SPSympo51155.2020.9593799.
  31. M. Piriyajitakonkij et al., "SleepPoseNet: Multi-View Learning for Sleep Postural Transition Recognition Using UWB," IEEE J Biomed Health Inform, vol. 25, no. 4, pp. 1305-1314, Apr. 2021, doi: 10.1109/JBHI.2020.3025900.
  32. K. Tang, A. Kumar, M. Nadeem, and I. Maaz, "CNN-Based Smart Sleep Posture Recognition System," Internet of Things, vol. 2, no. 1, pp. 119-139, Mar. 2021, doi: 10.3390/iot2010007.
  33. Y. Y. Li, S. J. Wang, and Y. P. Hung, "A Vision-Based System for In-Sleep Upper-Body and Head Pose Classification," Sensors, vol. 22, no. 5, Mar. 2022, doi: 10.3390/s22052014.
  34. S. M. M. Islam and V. M. Lubecke, "Sleep Posture Recognition with a Dual-Frequency Microwave Doppler Radar and Machine Learning Classifiers," IEEE Sens Lett, vol. 6, no. 3, Mar. 2022, doi: 10.1109/LSENS.2022.3148378.
  35. Z. Xing, W. Gao, and G. Chuai, "Research on sleeping position recognition algorithm based on human body vibration signal," in 2022 IEEE 2nd International Conference on Power, Electronics and Computer Applications, ICPECA 2022, Institute of Electrical and Electronics Engineers Inc., 2022, pp. 403-406. doi: 10.1109/ICPECA53709.2022.9719095.
  36. S. M. Mohammadi, S. Enshaeifar, A. Hilton, D. J. Dijk, and K. Wells, "Transfer Learning for Clinical Sleep Pose Detection Using a Single 2D IR Camera," IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 29, pp. 290-299, 2021, doi: 10.1109/TNSRE.2020.3048121.
  37. D. K. H. Lai et al., "Dual ultra-wideband (UWB) radar-based sleep posture recognition system: Towards ubiquitous sleep monitoring," Engineered Regeneration, vol. 4, no. 1, pp. 36-43, Mar. 2023, doi: 10.1016/j.engreg.2022.11.003.
  38. M. Z. H. Jesmeen, T. Bhuvaneswari, A. H. Mazbah, Y. B. Chin, L. H. Siong, and N. H. A. Aziz, "SleepCon: Sleeping Posture Recognition Model using Convolutional Neural Network," Emerging Science Journal, vol. 7, no. 1, pp. 50-59, Feb. 2023, doi: 10.28991/ESJ-2023-07-01-04.
  39. C. Intongkum, Y. Sasiwat, K. Sengchuai, A. Booranawong, and P. Phukpattaranont, "Monitoring and Classification of Human Sleep Postures, Seizures, and Falls From Bed Using Three-Axis Acceleration Signals and Machine Learning," SN Comput Sci, vol. 5, no. 1, Jan. 2024, doi: 10.1007/s42979-023-02426-4.
  40. L. J. Kau, M. Y. Wang, and H. Zhou, "Pressure-Sensor-Based Sleep Status and Quality Evaluation System," IEEE Sens J, vol. 23, no. 9, pp. 9739-9754, May 2023, doi: 10.1109/JSEN.2023.3262747.
  41. L. Stern and A. Roshan Fekr, "In-Bed Posture Classification Using Deep Neural Network," Sensors, vol. 23, no. 5, Mar. 2023, doi: 10.3390/s23052430.
  42. C. He et al., "A Novel Detection Method for Heart Rate Variability and Sleep Posture Based on a Flexible Sleep Monitoring Belt," IEEE Sens J, 2024, doi: 10.1109/JSEN.2024.3518082.
  43. A. Khan, C. Kim, J. Y. Kim, A. Aziz, and Y. Nam, "Sleep Posture Classification Using RGB and Thermal Cameras Based on Deep Learning Model," CMES - Computer Modeling in Engineering and Sciences, vol. 140, no. 2, pp. 1729-1755, 2024, doi: 10.32604/cmes.2024.049618.
  44. A. Khan et al., "Ensemble Deep Learning for Classifying Sleeping Posture of Humans Covered in Blankets Using RGB and Thermal Imaging," IEEE Access, 2024, doi: 10.1109/ACCESS.2024.3498049.
  45. X. Xu, Q. Mo, Z. Wang, Y. Zhao, and C. Li, "Classification of Sleeping Position Using Enhanced Stacking Ensemble Learning," Entropy, vol. 26, no. 10, Oct. 2024, doi: 10.3390/e26100817.
  46. X. Liu et al., "PosMonitor: Fine-Grained Sleep Posture Recognition with mmWave Radar," IEEE Internet Things J, vol. 11, no. 7, pp. 11175-11189, Apr. 2024, doi: 10.1109/JIOT.2023.3328866.
  47. D. K. H. Lai et al., "Vision Transformers (ViT) for Blanket-Penetrating Sleep Posture Recognition Using a Triple Ultra-Wideband (UWB) Radar System," Sensors, vol. 23, no. 5, Mar. 2023, doi: 10.3390/s23052475.
  48. D. Hu, W. Gao, K. K. Ang, M. Hu, G. Chuai, and R. Huang, "Smart Sleep Monitoring: Sparse Sensor-Based Spatiotemporal CNN for Sleep Posture Detection," Sensors, vol. 24, no. 15, Aug. 2024, doi: 10.3390/s24154833.
  49. D. K. H. Lai et al., "Deciphering Optimal Radar Ensemble for Advancing Sleep Posture Prediction through Multiview Convolutional Neural Network (MVCNN) Approach Using Spatial Radio Echo Map (SREM)," Sensors, vol. 24, no. 15, Aug. 2024, doi: 10.3390/s24155016.
  50. B, Tasar; G. Karaduman. VirLesDetNet: Pre-Trained Hybrid Deep Learning Approaches for Virus-Based Skin Lesion Detection. Traitement du Signal, 2024, 41.5.