Episodes of Freezing of Gait (FoG) are among the most debilitating motor symptoms of Parkinson's Disease (PD), leading to falls and significantly impacting patients' quality of life. Accurate assessment of FoG by neurologists provides crucial insights into patients' conditions and disease symptoms. This proposed strategy involves utilizing a Weighted Fuzzy Logic Controller, Kalman Filter, and Kaiser–Meyer–Olkin test to detect the gait parameters while walking, resting, and standing phases. Parameters such as neuromodulation format, intensity, duration, frequency, and velocity are computed to pre-empt freezing episodes, thus aiding their prevention. The AiCarePWP is a wearable electronics device designed to identify instances when a patient is on the brink of experiencing a freezing episode and subsequently deliver a brief electrical impulse to the patient's shank muscles to stimulate movement. The AiCarePWP wearable device aims to identify impending freezing episodes in PD patients and deliver brief electrical impulses to stimulate movement. The study validates this innovative approach using plantar insoles with a 3D accelerometer and electrical stimulator, analysing data from the inertial measuring unit and plantar-pressure foot data to detect and predict FoG. Using a Convolutional Neural Network-based model, the study evaluated 47 gait features for their ability to differentiate resting, standing, and walking conditions. Variable selection was based on sensitivity, specificity, and overall accuracy, followed by Principal Component Analysis and Varimax rotation to extract and interpret factors. Factors with eigenvalues exceeding 1.0 were retained, and 37 features were retained. This study validates CNN's effectiveness in detecting FoG during various activities. It introduces a novel cueing method using electrical stimulation, which improves gait function and reduces FoG incidence in PD patients. Trustworthy wearable devices, based on Artificial Intelligence of Things (AIoT) and Artificial Intelligence of Medical Things (AIoMT), have been developed to support such interventions.

The present research develops a framework to refine the classification of an individual's activities and recognize wellness associated with their routine. The framework improves the accuracy of the classification of routine activities of a person, the activation time data of sensors fixed on objects linked with the routine activities of the person, and the aptness of an incessant activity pattern with the routine activities. The existing techniques need continuous monitoring and are non-adaptive to a person's persistent habitual variations or individualities. The research involves applying Internet of Medical Things (IoMT)-based sensor information fusion to the novel multimodel data analytics to develop Activities of Daily Living (ADL) pattern, behavioural pattern generation and anomaly recognition. The novel multimodel data analytics approach is named AiCareLiving. AicareLiving is an IoMT and artificial intelligence (AI) enabled approach. The research work describes activity data using an individual's activities within a specified area before evaluating the activity data to detect the existence of an anomaly by identifying the deviation of the activity data from the activity profile, which indicates the anticipated behaviour and activity of the person. This wellness information would be shared to the caregivers, related healthcare professionals, care providers and municipalities through the secured healthcare information exchange protocol and IoMT. AiCareLiving framework aims to least false positive in terms of anomaly detection and forecasting; the high precision is close to the confidence level of 95%.