Improving the Quality of Life for Intellectually Disabled Elderly People using Artificial Intelligence Techniques

Abstract

Aquest treball de tesi està dividit en dues parts. La primera part proposa predir el moviment humà futur observant el moviment passat. Utilitzem els blocs residuals d'inici per aprendre la característica temporal i la xarxa de gràfics convolucionals per aprendre les característiques espacials. Amb aquest mètode, podem produir postures futures més precises que les produïdes per altres mètodes d'avantguarda. A més, habilitem el nostre model de predicció del moviment humà per predir utilitzant dades fins i tot fora de distribució (OoD) augmentant els models discriminatius i generatius amb regularització mitjançant matrius lineals. Aquesta xarxa proposada ha mostrat resultats molt millorats tant en escenaris fora de distribució com en escenaris de distribució. En la segona part del treball, s'avança cap a la millora de la qualitat de vida (CV) de les persones dependents amb discapacitat intel·lectual en entitats tutelars amb l'ajuda de tècniques d'intel·ligència artificial. Més concretament, vam proposar que els nostres models basats en ML estiguin entrenats i provats per predir el valor de l'índex, el valor d'escala estàndard i el valor d'escala d'intensitat de suport relacionat amb la QoL. Avaluem cadascun dels tres models utilitzant diverses mètriques d'avaluació de diferents algorismes de ML calculant el rendiment de cada tasca. Posteriorment, el mètode proposat genera un informe de suport que conté les accions necessàries per millorar les dimensions del dèficit i la qualitat de vida. Ajuda als professionals a fer un seguiment del progrés del pacient.

Este trabajo de tesis se divide en dos partes. La primera parte propone predecir el movimiento humano futuro observando el movimiento pasado. Utilizamos los bloques residuales de incepción para aprender la característica temporal y la red gráfica convolucional para aprender las características espaciales. Utilizando este método, podemos producir poses futuras más precisas que las producidas por otros métodos de vanguardia. Además, potenciamos nuestro modelo de predicción del movimiento humano para predecir utilizando incluso datos fuera de distribución (OoD) aumentando los modelos discriminativos y generativos con regularización mediante matrices lineales. Esta red propuesta ha mostrado resultados muy mejorados tanto para escenarios fuera de distribución como dentro de distribución. En la segunda parte del trabajo, avanzamos hacia la mejora de la calidad de vida (CdV) de personas dependientes con discapacidad intelectual en entidades tutelares con la ayuda de técnicas de inteligencia artificial. Más concretamente, propusimos entrenar y probar nuestros modelos basados en ML para predecir el valor del índice, el valor de la escala estándar y el valor de la escala de intensidad de apoyo relacionados con la CdV. Evaluamos cada uno de los tres modelos utilizando varias métricas de evaluación de diferentes algoritmos ML que calculan el rendimiento de cada tarea. Posteriormente, el método propuesto genera un informe de apoyo que contiene las acciones necesarias para mejorar las dimensiones del déficit y la calidad de vida.

This thesis work is divided into two parts. The first part proposes to predict future human motion by observing past motion. We use the inception residual blocks to learn the temporal feature and the Convolutional Graph Network to learn the spatial features. Using this method, we can produce future poses that are more precise than those produced by other cutting-edge methods. Further, we empower our human motion prediction model to predict using even out-ofdistribution (OoD) data by augmenting discriminative and generative models with regularisation using linear matrices. This proposed network has shown much-improved results for both out-of-distribution and in-distribution scenarios. In the work's second part, we move towards improving the quality of life (QoL) of dependent individuals with intellectual disabilities in guardianship entities with the help of artificial intelligence techniques. More specifically, we proposed that our ML-based models are trained and tested to predict the index value, standard scale value, and support intensity scale value related to the QoL. We evaluate each of the three models using various evaluation metrics of different ML algorithms calculating each task's performance. Subsequently, the proposed method generates a support report containing the required actions to improve the deficit dimensions and quality of life. It helps professionals to track the patient's progress. Further, we use machine learning-based models to predict the values of eight dimensions from the sixty-nine questionnaire responses.