Machine Learning-Based Estimation and Classification of Excreta Using Millimeter-Wave Radar
(2025) In Master's Theses in Mathematical Sciences FMSM01 20251Mathematical Statistics
- Abstract
- Constipation and irregular bowel movements are a daily challenge in elderly care, especially among patients with dementia who struggle to report their own toilet habits. This thesis investigates the possibility of using millimeter-wave pulsed coherent radar to passively monitor toilet visits and estimate both stool consistency and excreted quantity of urine and feces. This involved constructing a mock dataset consisting of simulated toilet visits where water and oat porridge substituted urine and feces. The radar recordings of the simulated toilet visits were analyzed to extract the most important features for estimating quantity and consistency. These features were used for training machine-learning models on the mock dataset. The models’... (More)
- Constipation and irregular bowel movements are a daily challenge in elderly care, especially among patients with dementia who struggle to report their own toilet habits. This thesis investigates the possibility of using millimeter-wave pulsed coherent radar to passively monitor toilet visits and estimate both stool consistency and excreted quantity of urine and feces. This involved constructing a mock dataset consisting of simulated toilet visits where water and oat porridge substituted urine and feces. The radar recordings of the simulated toilet visits were analyzed to extract the most important features for estimating quantity and consistency. These features were used for training machine-learning models on the mock dataset. The models’ performances were finally evaluated on an unseen test set. For stool consistency, all models could reliably distinguish between solid and liquid stools. The best model for urine quantity had an average error of 15.6%; the best for solid stool quantity had 30.5%; and the best for liquid stool quantity had 17.6%. (Less)
- Popular Abstract (Swedish)
- Otaliga mängder kritisk information om vår hälsa spolas ner varje dag. En toalettsits med osynligt inbyggd radar kan ta tillvara på denna information. Alla besöker toaletten varje dag, därav är den fylld av kliniskt relevant information, som hittills sällan använts för att övervaka hälsan. Förändringar i urin- och avföringsmängd, samt avföringens konsistens kan vara tidiga tecken på sjukdom, men registreras nästan aldrig i vardagen.
Förstoppning och diarré utgör dessutom några av de vanligaste utmaningarna inom äldrevården. Detta gäller särskilt patienter med demenssjukdom, då förmågan att rapportera tarmvanor är nedsatt. En sjuksköterska vid namn Helle insåg att "vi har toaletter som kan tvätta patienterna, varför har vi inte... (More) - Otaliga mängder kritisk information om vår hälsa spolas ner varje dag. En toalettsits med osynligt inbyggd radar kan ta tillvara på denna information. Alla besöker toaletten varje dag, därav är den fylld av kliniskt relevant information, som hittills sällan använts för att övervaka hälsan. Förändringar i urin- och avföringsmängd, samt avföringens konsistens kan vara tidiga tecken på sjukdom, men registreras nästan aldrig i vardagen.
Förstoppning och diarré utgör dessutom några av de vanligaste utmaningarna inom äldrevården. Detta gäller särskilt patienter med demenssjukdom, då förmågan att rapportera tarmvanor är nedsatt. En sjuksköterska vid namn Helle insåg att "vi har toaletter som kan tvätta patienterna, varför har vi inte toaletter som kan mäta bajs?". Denna fråga gav upphov till en sensor osynligt ingjuten i en toalettsits som går att montera på nästan alla toalettstolar. Kravet på sensorns osynlighet grundar sig i att många patienter är måna om sin omgivning. Detta gäller särskilt för de som har arbetat med sina händer hela sitt liv har en tendens att pilla på nya tekniska tillskott i deras rum.
För att utvärdera radarns förmåga att analysera avföring behövde toalettbesök spelas in. Att spela in riktiga toalettbesök ansågs otympligt, därför simulerades toalettbesök med hjälp av vatten och havregrynsgröt som substitut för urin och avföring. Med hjälp av gummihandskar och korvstoppare samlades hundratals radarinspelningar av simulerade toalettbesök in. Dessa användes för att skapa en algoritm som omvandlar radarinspelningarna till en approximerad konsistens och mängd som utlöses i toaletten. Resultaten visar att urinmängden kan uppskattas med ett genomsnittligt fel på cirka 15% och att man kan skilja på fast och lös avföring med nästan perfekt träffsäkerhet. Mängden av fast avföring var svårast att uppskatta med ett genomsnittligt fel på 31%, medan mängden av lös avföring kan uppskattas med ett genomsnittligt fel på 18%. Detta tyder på att tekniken har potential att fungera i praktiken, även om validering på riktig data krävs innan den kan användas kliniskt.
En radarbaserad toalettsits skulle i framtiden kunna användas för att underlätta medicinering, upptäcka sjukdomar tidigt, smidigare följa upp behandlingar, eller ge äldre och sjuka personer ökad trygghet i hemmet. Den skulle kunna bli ett nytt verktyg för förebyggande vård, ungefär som smarta klockor idag övervakar puls och sömn, fast helt automatiskt, icke-invasivt, och utan att användaren behöver tänka på det. (Less)
Please use this url to cite or link to this publication:
http://lup.lub.lu.se/student-papers/record/9213611
- author
- Kulle, Waldemar LU
- supervisor
- organization
- course
- FMSM01 20251
- year
- 2025
- type
- H2 - Master's Degree (Two Years)
- subject
- keywords
- Urine, Bowel Movement, Millimeter wave radar, Machine learning
- publication/series
- Master's Theses in Mathematical Sciences
- report number
- LUTFMS-3544-2025
- ISSN
- 1404-6342
- other publication id
- 2025:E100
- language
- English
- id
- 9213611
- date added to LUP
- 2025-10-15 09:30:16
- date last changed
- 2025-10-15 09:30:16
@misc{9213611,
abstract = {{Constipation and irregular bowel movements are a daily challenge in elderly care, especially among patients with dementia who struggle to report their own toilet habits. This thesis investigates the possibility of using millimeter-wave pulsed coherent radar to passively monitor toilet visits and estimate both stool consistency and excreted quantity of urine and feces. This involved constructing a mock dataset consisting of simulated toilet visits where water and oat porridge substituted urine and feces. The radar recordings of the simulated toilet visits were analyzed to extract the most important features for estimating quantity and consistency. These features were used for training machine-learning models on the mock dataset. The models’ performances were finally evaluated on an unseen test set. For stool consistency, all models could reliably distinguish between solid and liquid stools. The best model for urine quantity had an average error of 15.6%; the best for solid stool quantity had 30.5%; and the best for liquid stool quantity had 17.6%.}},
author = {{Kulle, Waldemar}},
issn = {{1404-6342}},
language = {{eng}},
note = {{Student Paper}},
series = {{Master's Theses in Mathematical Sciences}},
title = {{Machine Learning-Based Estimation and Classification of Excreta Using Millimeter-Wave Radar}},
year = {{2025}},
}