Smartphone-based Human Fall Detection System

Smartphone-based Human Fall Detection System L. Valcourt, Y. D. L. Hoz, and M. Labrador 1 Abstract— The use of technology has proven to be a value ass
Author:  Lorenzo Plaza Río

1 downloads 76 Views 378KB Size

Recommend Stories


Legipid Legionella Fast Detection
V12.0 Legipid® Legionella Fast Detection Referencia: 311-10-01 Prospecto Test para la detección rápida de Legionella spp en muestras de agua, basado

Human Rights
Protection. Treaties. European system

Human clonation
Genetic investigations. Risks and dangers. Prohibitions

Human Body
Members. Cellular components. Anatomy

1.5 credits Fall 2012
Yale University Department of Spanish and Portuguese Intermediate Spanish I: Spanish 130 (L3) / 1.5 credits Fall 2012 Instructor: ____________________

Story Transcript

Smartphone-based Human Fall Detection System L. Valcourt, Y. D. L. Hoz, and M. Labrador 1 Abstract— The use of technology has proven to be a value asset in the health department. Nowadays, from computers to smartphones, technology helps people in their activities, being these personally or cooperativily. Thanks to these advantages, new research has develop to create systems and applications to help with people’s health, in our case detecting fall accidents with the use of smartphones. This paper presents an approach to detect falls using different proposed algorithms with the goal of helping people with their health and security. The system is composed of three different components: data collection, location selection, and fall detection. It utilizes the smartphone’s built-in sensors (accelerometer, gyroscope) to identify the location of the smartphone in the user’s body (chest, pocket, holster, etc.) and once a location is identified, the fall detection component takes place. A general description on fall detection systems is provided, including the different types of sensors used nowadays. The proposed solution is presented and described in great detail. A total accuracy of 81.3% was calculated from the fall detection proposed algorithm. The top three locations to detect a fall were: texting with a 95.8% fall detection accuracy, pants’ side pocket with an 87.5% accuracy, and shirt chest pocket with an 83.3% accuracy. Also an extra study was done using only the holster location generating an excellent 100% location selection accuracy.

Keywords— Accelerometer, gyroscope, fall detection, location selection, mobile applications.

S

I. INTRODUCCIÓN

EGÚN el CDC (Centros para el Control y la Prevención de Enfermedades) , una de cada tres personas mayores de 65 años es probable que sufra una caída. Veinte a treinta por ciento de ellos sufren lesiones como fracturas, pérdida de independencia, e incluso la muerte [1]. Además, se espera que la población estadounidense mayor de 65 años pase de 12.4 % en 2000 a 19,6 % en 2030 [2]. Esto representa un problema que debe ser atendido lo más pronto posible. Los sistemas de detección de caída nacieron debido a la creciente necesidad de minimizar las consecuencias de una caída. Un sistema de detección de caída es una plataforma automatizada capaz de determinar si un sujeto de interés ha sufrido una caída o no. La mayoría de los sistemas actuales utilizan sensores externos alrededor del cuerpo del sujeto. Estos tipos de sensores se pueden encontrar incorporados en teléfonos inteligentes regulares en el mercado actual [3]. En los Estados Unidos, el 58 por ciento de los adultos son propietarios de teléfonos inteligentes y el 19 por ciento de esa 1

L. Valcourt, Universidad de Puerto Rico en Bayamón, [email protected] Y. De La Hoz, Univeristy of South Florida, Tampa Campus, [email protected] M. Labrador, University of South Florida, Tampa [email protected]

Campus,

categoría son personas mayores de 65 años [4]. Los teléfonos inteligentes están equipados con sensores (acelerómetros, giroscopios, barómetros, etc.) capaces de recolectar los datos del usuario. Estos datos pueden ser utilizados para detectar patrones únicos que se generan en una caída. Además de esto los celulares inteligentes no representan una molestia para el usuario, debido a que estos están acostumbrados a llevarlos con ellos todo el tiempo. Este estudio presenta un enfoque para detectar caídas utilizando el acelerómetro y giroscopio incorporado en los teléfonos inteligentes actuales. El enfoque propuesto se basa en tres componentes que se utilizan para detectar una posible caída. El primer componente utiliza los valores en bruto de un acelerómetro de tres ejes y la magnitud de un giroscopio para localizar la posición del dispositivo en el cuerpo del usuario (bolsillo del pecho de camisa, bolsillo lateral de pantalón y la funda del teléfono móvil horizontal). Además, el algoritmo puede reconocer si una persona está hablando, si esta escribiendo o leyendo un mensaje de texto, o si está caminando con el dispositivo en una mano. El segundo componente detecta caídas mediante el uso de umbrales específicos que se determinan en función de la posición del dispositivo mediante la magnitud del acelerómetro. Si se detecta una caída, se activa una alerta y, si el usuario no puede alcanzar el dispositivo o está inconsciente, la aplicación reacciona automáticamente llamando a un número telefónico grabado por el usuario, y también envía la localización del usuario por mensaje de texto. El tercer y último componente es la constante actualización de valores mientras que los dos componentes anteriores continúan realizando su función. El resto del artículo está organizado de la siguiente manera. Sección II ofrece una breve descripción de las soluciones actuales de detección de caída. Sección III describe la solución propuesta en detalle. Sección IV presenta los resultados de la evaluación del sistema propuesto. Por último, la Sección V concluye el documento . II. ESTADO DEL ARTE En los últimos años, una cantidad significativa de investigación se ha hecho en relación con la detección de caídas. Muchas soluciones se han ideado como resultado de estas investigaciones. Algunos de ellos se describen a continuación. A. Productos de Compañías Empresas de salud han creado diferentes tipos de sistemas para detectar caídas con la ayuda de tecnologías populares (Bluetooth, WiFi, cámaras de vídeo). Alert1 [5] y Medical Guardian [6] han desarrollado sistemas para detectar caídas utilizando un colgante como una unidad base que se conecta a

una estación principal. Estas compañías y muchas otras tienen un problema similar: el sistema sólo funciona en las zonas donde el pendiente se puede comunicar con la estación principal. Muchos han adaptado sus dispositivos de tal manera que puedan conectarse a su estación principal a través de Internet u otros recursos. Además, empresas como VoCare [7] tienen teléfonos móviles entre sus productos para detectar caídas específicamente para personas de edad avanzada. Un gran defecto que estos teléfonos móviles tienen es que muchas de las caídas que detectan son sólo de los teléfonos que se deslizan de las manos del usuario, que puede suceder mucho debido a los impedimentos de las personas mayores. Además, algunos de estos teléfonos móviles son muy complicados de usar, y las personas de edad avanzada generalmente no saben cómo usarlos. B. Cámaras Nuevos estudios han surgido empleando cámaras de bajo costo para detectar caídas de personas mayores . Doulamis et al. [8] propuso un sistema de detección de caída utilizando cámaras de bajo costo. Su trabajo utilizó la substracción de fondo que actualiza constantemente el primer plano dinámico. Ellos aplicaron sus propios algoritmos para detectar una caída. La calidad de la cámara utilizada no fue la mejor, lo cual afectó los resultados de las imágenes. Usando cámaras más eficientes (cámaras omnidireccionales), Miaou et al. [9] fueron capaces de recoger datos del usuario gracias a un vista de 360 grados . El trabajo incluyó comportamientos de los usuarios individuales y las técnicas de procesamiento de imágenes para identificar a los usuarios y caídas; se presentaron prioridades en función de la salud del usuario. Uno de los inconvenientes del sistema era su baja eficiencia para detectar caídas. Estos proyectos adolecen del mismo problema: el sistema se limita a lugares donde haya cámaras instaladas. Por lo tanto, se necesitan más cámaras para ampliar la cobertura, incurriendo en mayores gastos. C. Celulares Inteligentes Hwang et al. [10] presentó un sistema de detección de caídas que se beneficia de un acelerómetro de tres ejes y un magnetómetro en un teléfono inteligente. Utilizó un tipo de funda para el teléfono inteligente y empleó los datos recogidos por los sensores para obtener los umbrales y los ángulos de movimiento del usuario. Aunque las actividades básicas de la vida diaria (ADL) fueron estudiadas y consideradas durante su proyecto, la solución se limita a pequeñas actividades y posibilidades. Todas las pruebas se realizaron utilizando posiciones estáticas durante la acción de simular una caída. Se consideraron cuatro direcciones al caerse la persona: hacia delante, hacia atrás, hacia la izquierda y hacia la derecha. Kangas et al. [11] utilizó lugares específicos en el cuerpo del usuario para calcular diferentes umbrales con datos recogidos de un acelerómetro de tres ejes. Este proyecto presentó otra posible solución para la detección de caídas usando sensores externos, en la cintura del usuario y la cabeza. Calcularon el vector de suma, suma de vectores dinámica, aceleración vertical, y los valores máximos y mínimos . La fiabilidad del sistema depende de ambos sensores (giroscopio

y acelerómetro ), por lo que es menos eficiente en la detección de una caída si alguno de los dos sensores dejase de funcionar. Este trabajo propone una solución modular que abarca la identificación de la ubicación del móvil y detección de caídas. El usuario es capaz de llevar el móvil en seis de los lugares más populares de uso con respecto al cuerpo del usuario: el bolsillo del pecho de una camisa, bolsillo lateral del pantalón, funda protectora, mientras escribe o lea mensajes de texto, mientras hable por teléfono, y mientras camine con el teléfono en la mano. III. SOLUCIÓN E IMPLEMENTACIÓN

Figura 1. Módulos del Sistema.

Este proyecto tiene como objetivo superar los problemas expuestos por algunos de los sistemas mencionados, proporcionando los siguientes beneficios: • Un criterio más general se utiliza para la localización del dispositivo, dando al usuario más opciones al usar su celular inteligente. • No se requieren sensores adicionales. • El nivel de obstrucción es cercano a cero debido a que el usuario está acostumbrado a usar dispositivos móviles. • Facilidad de uso. Se requiere de una mínima/ninguna manipulación por parte del usuario. • Sin costo adicional para el usuario (teniendo en cuenta que el usuario ya tiene un teléfono inteligente). El enfoque propuesto se divide en tres módulos diferentes: recolección de datos, selección de ubicación, y detección de caídas, como se muestra en la Fig. 1. Antes que se detecte una ubicación o una caída, un proceso de recolección de datos se ejecuta para recopilar datos del acelerómetro y giroscopio. Estos datos se utilizan por primera vez en el algoritmo de selección de ubicación. Cuando se selecciona una ubicación final, se ejecuta el algoritmo propuesto para la detección de caídas. Si se superan los umbrales predefinidos, se detecta una caída. La Fig. 2 muestra un diagrama de flujo del sistema propuesto. En las siguientes subsecciones se explica con más detalle los componentes del sistema.

TABLA I. SELECCIÓN DE UBICACIÓN.

Ubicación

Valores Promedios del Acel. (x, y, z)

Bolsillo Frontal de la Camisa

[z > x] AND [y > x]

Bolsillo Lateral de un Pantalón

[z > x] AND [y> z] AND [ y > x]

Figura 2. Diagrama de Flujo del Sistema.

A. Obtención de Datos Los datos utilizados en el proceso de selección de la ubicación y la detección de caída se recogen del sensores (acelerómetro y giroscopio) que se encuentran embebidos en un teléfono inteligente. Para este proyecto se utilizó el teléfono inteligente, Android Google Nexus 5, versión de sistema operativo 4.4.2. El programa recolecta constantemente los datos que se suministran a los otros módulos del sistemas. Los primeros valores recogidos son empleados por el algoritmo de selección de ubicación que se explica a continuación. B. Selección de Ubicación Uno de los objetivos de este trabajo es dar al usuario la libertad suficiente para elegir la posición en la que utilizará el dispositivo. Estos lugares son: el bolsillo frontal de la camisa, el bolsillo lateral de un pantalón, funda de teléfono inteligente (horizontal), mientras escribe o lea mensajes de texto, mientras hable por teléfono, y mientras camine con el teléfono en mano. Con el uso del eje x, y, y z del acelerómetro y la magnitud de la giroscopio, el sistema es capaz de determinar la posición del dispositivo. Se calcula y almacena una media cada diez valores por eje del acelerómetro. Al mismo tiempo, el promedio de la magnitud del giroscopio (Ecuación 1) de diez muestras se calcula y se almacena. Una ubicación se selecciona con base en el promedio de los valores de los ejes del acelerómetro y un umbral establecido sobre la magnitud promedio del giroscopio. La Tabla I muestra los criterios de decisión utilizados para cada posición. Con el uso de un "es mayor" acercamiento entre los tres valores promedio de los ejes del acelerómetro, algunas ubicaciones fueron detectadas con facilidad. Otros lugares, debido a la similitud de la señal y de los valores, se detectaron incluyendo umbrales adicionales. La magnitud del giroscopio proveyó la información adicional que facilitó la identificación de la ubicación del teléfono inteligente. ||

|| =

+

+

(1)

Una ventana empíricamente calculada de 30 segundos se utiliza para volver a calcular la ubicación del teléfono inteligente. Este proceso comprueba si el usuario ha cambiado la ubicación del teléfono inteligente. Una vez que se detecta una posición, se utiliza como la posición por defecto para detectar una caída.

[z > x] AND [z> y] AND [x > y] [x > y] AND [z > x]

Funda de Teléfono Inteligente (horizontal)

Hablar por Teléfono

Magnitud Promedio del Gyro.

[1.5 > G > .5]

[2.0 > G > 1.3]

[2.0 > G > 1.3]

[G < .8]

Escribir o Leer Mensajes de Texto

[y> x] AND [y > z]

[1.0 > G > .5]

Teléfono en Mano

[x > y] AND [z > y]

[G > 1.6]

C. Detección de Caídas El componente de detección de caídas se activa cuando se determina una ubicación. La ubicación es clave para seleccionar los umbrales para detectar una caída ya que dependen de la posición del teléfono inteligente. El sistema se beneficia de la magnitud del acelerómetro (Ecuación 2) para detectar una caída. Las caídas tienen patrones y características únicas que pueden ser explotadas con el fin de poder detectar las. La Fig. 3 muestra una señal de la magnitud del acelerómetro de una caída. ||

|| =

+

+

(2)

Antes de que una caída tome lugar, hay un aumento en la amplitud de pico a pico de la señal seguido de un período de inactividad. Un filtro de paso alto se utiliza para eliminar los componentes de baja frecuencia de la señal de la magnitud del acelerómetro. El propósito de utilizar un filtro de paso alto es para centrar la señal en torno a cero (amplitud), haciendo que el proceso de identificación de periodos de inactividad sea más fácil. La Fig. 4 muestra un ejemplo de una señal de acelerómetro filtrada usando un filtro pasa-altas (magnitud).

Figura 3. Valores de la Magnitud del Acelerómetro No-Filtrados (Bolsillo Lateral de un Pantalón)

De haber detectado el sistema una caída, automáticamente éste procede a llamar al número telefónico grabado por el usuario para pedir ayuda. Además, utilizando el mismo número, el sistema envía un mensaje de texto con la localización del usuario. Cada cuatro minutos una actividad externa verifica la localización del usuario. Se utiliza la longitud y latitud del mismo para mejorar la exactitud de la localización. Para que esta función trabaje con excelencia, se requiere que el usuario tenga encendido el sistema de posicionamiento global al menos en el inicio del sistema para poder retener la localización. IV. EVALUACIÓN DEL SISTEMA

Figura 4. Valores de la Magnitud del Acelerómetro Filtrados (Bolsillo Lateral de un Pantalón).

El algoritmo propuesto utiliza el diagrama de estado que se muestra en la Fig. 5 para detectar caídas. Se asume que una persona está caminando cuando se inicia el proceso. Se detecta una caída cuando los tres factores desencadenantes se cumplen. El primer factor se activa cuando se detecta un pico anormal en la amplitud pico (ST1 es alcanzado). ST2 se alcanza cuando el valor actual promedio de la señal se estabiliza cerca de cero. El estado final se activa (se detecta una caída) cuando un período de inactividad (valores de señal están cerca de cero) es constante durante una ventana de tiempo predefinido. ST 1

DifAvg>Th

DifAvg DifAvg<

> 1

ST 2

Lasttwoavg<

1

Fall

1. 5 Alarm

Walk

LasttwoAvg>

1

Avg ≈ 0

Figura 5. Diagrama de Estado para Detectar Caídas.

El algoritmo funciona de la siguiente manera. En primer lugar, un total de 100 valores filtrados con el filtro de paso alto de la magnitud del acelerómetro se dividen en cinco grupos (20 valores por grupo). Un valor promedio de cada grupo se calcula y se almacena en cinco variables temporales (Avg1 , Avg2 , Avg3 , Avg4 , Avg5). Esto sólo se hace la primera vez que el algoritmo se ejecuta. Entonces, el primer estado es activado cuando la diferencia absoluta entre Avg1 y Avg2 es mayor que el umbral especificado por la ubicación actual (pecho, bolsillo del pantalón, funda protectora, actividad de escribir mensaje de texto, actividad de hablar, dispositivo en la mano). El segundo estado es activado cuando la diferencia absoluta entre Avg2 y Avg3 es mayor que 1.0 y el tercer y último estado es activado cuando Avg4 y Avg5 permanecen aproximadamente en cero (amplitud) o cerca de un valor especificado, el cual el tiempo es determinado por la obtención de datos de Avg4 y Avg5 respectivamente. Si se activaron los tres estados se detecta una caída. Si no se detecta una caída, los cinco actuales promedios se desplazan hacia la izquierda, es decir , Avg5 se copia en Avg4, Avg4 se copia en Avg3, Avg3 se copia en Avg2 y Avg2 se copia en Avg1. Entonces, una nueva media se calcula utilizando 20 valores nuevos y se almacena en Avg5.

Se realizaron un total de 180 experimentos, 36 experimentos de selección de ubicación, 36 experimentos de caída, y 108 experimentos de actividades del diario vivir (no caídas). Seis sujetos en las edades entre 20 y 38 participaron en los experimentos. Las caídas se simularon con ningún orden en particular, el uso de los lugares especificados (bolsillo de camisa en el pecho, bolsillo del pantalón, funda protectora, actividad de escribir mensaje de texto, actividad de hablar, dispositivo en la mano). Tres actividades básicas se utilizaron para simular las no caídas. Estas actividades fueron: detenerse, agacharse para recoger un objeto del suelo y de tropiezo. A. Selección de Ubicación Los resultados del algoritmo propuesto se almacenaron en una matriz de confusión [12]. Una matriz de confusión permite visualizar el rendimiento del algoritmo en una tabla que contiene todos los reales y los resultados detectados por el sistema. La Tabla II muestra los resultados de los experimentos del algoritmo de selección de ubicación. Para medir la eficiencia del sistema, se utilizó un indicador de exactitud de rendimiento [13]. Esto se define en la Ecuación =

(3)

En la Tabla II y la Tabla III se compara la ubicación real del teléfono inteligente con la ubicación detectada por el algoritmo propuesto. Para la ubicación de bolsillo de camisa en el pecho, seis de los seis experimentos se detectan correctamente. Sin embargo, siete experimentos fueron detectados incorrectamente como ubicaciones de bolsillo de camisa en el pecho. Esto es una consecuencia de la similitud entre las señales generadas por las otras ubicaciones y la ubicación bolsillo de camisa en el pecho. De las seis ubicaciones, la ubicación de escribir o leer mensajes de texto es la que tiene la tasa de detección más alta debido a que el comportamiento de su señal es significativamente diferente a las demás. B. Detección de Caídas Los resultados de los experimentos con el algoritmo propuesto también fueron grabados en una matriz de confusión. Estos resultados fueron clasificados como: • Verdaderos Positivos (TP) : Número de caídas que se detectaron como caídas.



Verdaderos Negativos (TN) : Número de no caídas que fueron detectados como no caídas. • Falsos Positivos (FP) : Número de no caídas que fueron detectados como caídas. • Falsos Negativos (FN) : Número de caídas que fueron detectados como no- caídas. Aparte de la precisión, los siguientes indicadores de rendimiento fueron utilizados: =

TOTAL

0

0

3

3

4

5

3

12

TOTAL ACURRACY

72%

(TABLE II & TABLE III)

(4)

+ =

ON HAND

(5)

+

(6)

=

+ Las siguientes tablas muestran los resultados de los experimentos basados en la ubicación del celular inteligente.

TABLA IV. ACTIVIDAD DE ESCRIBIR O LEER MENSAJES DE TEXTO. DETECTED FALL

NON-FALL

TOTAL

FALL

5 TP

1 FN

6

NON-FALL

0 FP

18 TN

18

REAL

TABLA II. SELECCIÓN DE UBICACIÓN, PRIMERA PARTE. TOTAL

CHEST

PANT

HOLSTER

TOTAL

POCKET

POCKET

6

0

0

6

PANT POCKET

3

3

0

6

HOLSTER

1

0

5

6

TALKING

2

0

0

2

TEXTING

1

0

0

1

ON HAND

0

0

3

3

CHEST POCKET REAL

5

19

ACCURACY

DETECTED

95.8%

RECALL

83%

PRECISION SPECIFICITY

100% 100%

La Tabla IV confirma lo presentado en la Tabla III, la actividad de escribir o leer mensajes de texto es la mejor ubicación para detectar una caída. Cinco de cada seis caídas se detectaron correctamente. Ningún falso positivo se generó. Todas las no-caídas se detectaron correctamente, y sólo uno de los experimentos se detectó incorrectamente. La Tabla V también muestra los resultados del cálculo de los indicadores de rendimiento antes mencionados. El resto de las tablas sigue el mismo análisis utilizado aquí. TABLA V. BOLSILLO LATERAL DE UN PANTALÓN. DETECTED

TOTAL

FALL

NON-FALL

TOTAL

REAL

10

3

5

24

FALL

6 TP

0 FN

6

NON-FALL

3 FP

15 TN

18

TABLA III. SELECCIÓN DE UBICACIÓN, SEGUNDA PARTE. 9

TOTAL

15

DETECTED ACCURACY

87.5%

TALKING

TEXTING

ON HAND

TOTAL

RECALL

100%

PRECISION

67%

CHEST POCKET

0

0

0

0

SPECIFICITY

83%

PANT POCKET

0

0

0

0

TABLA VI. BOLSILLO FRONTAL DE CAMISA REAL

HOLSTER

0

0

0

0

TALKING

4

0

0

4

TEXTING

0

5

0

5

DETECTED REAL

TOTAL

TOTAL

FALL

NON-FALL

FALL

6 TP

0 FN

6

NON-FALL

4 FP

14 TN

18

10

14

ACCURACY

83.3%

RECALL

100%

PRECISION

60%

SPECIFICITY

78%

TOTAL

DETECTED TOTAL

FALL

NON-FALL

FALL

6 TP

0 FN

6

NON-FALL

6 FP

12 TN

18

REAL

12

12

ACCURACY

75%

RECALL

100%

PRECISION

50%

SPECIFICITY

67%

TABLA VIII. CELULAR INTELIGENTE EN MANO. DETECTED REAL

FALL NON-FALL

TOTAL

FALL

NON-FALL

5 TP 5 FP

1 FN 13 TN

10

TOTAL 6 18

75%

RECALL

83%

PRECISION

50%

SPECIFICITY

72%

58.2%

SPECIFICITY

79%

Aparte de los resultados presentados, un total de 17 experimentos adicionales se llevaron a cabo utilizando solo la ubicación de la funda protectora con hombres entre las edades de 20 a 24 años. La ubicación es específicamente seleccionada debido a que es comúnmente utilizada en la población de personas de edad avanzada; se introdujo la localización del usuario al sistema. Para llevar a cabo estas pruebas dirigidas a una sola ubicación, el algoritmo propuesto de selección de ubicación fue modificado para que solo detectara la funda protectora. Para obtener total éxito en esta ubicación, los valores fueron alterados a [ 2.5 > G > 1.0 ] a diferencia de los valores originales, [2.0 > G > 1.3 ]. El porcentaje final de selección de ubicación que obtuvo el algoritmo modificado propuesto fue de un total de 100%. El umbral determinado para esta ubicación también fue alterado a un valor de 2.3 para beneficio del algoritmo de detección de caídas. A continuación, la Tabla XI se muestran los resultados finales. TABLA XI. FUNDA PROTECTORA – PRUEBAS NUEVAS. DETECTED

TOTAL

FALL

NON-FALL

FALL

4 TP

2 FN

6

NON-FALL

5 FP

13 TN

18

REAL

9

15

ACCURACY

70.8%

RECALL

67%

PRECISION

44%

SPECIFICITY

72%

FALL

TOTAL

DETECTED

La tabla X resume los resultados de todos los experimentos. La precisión global del sistema es de 81.3 %, claramente afectada por el bajo rendimiento del algoritmo en la ubicación de la funda protectora. TABLA X. RESULTADOS TOTALES DETECTED TOTAL

FALL

NON-FALL

32 TP

4 FN

36

23 FP

85 TN

108

REAL

NONFALL

89%

PRECISION

REAL

TABLA IX. FUNDA PROTECTORA.

FALL

81.3%

RECALL

14

ACCURACY

TOTAL

89

ACCURACY

TABLA VII. ACTIVIDAD DE HABLAR POR TELÉFONO.

TOTAL

55

NON-FALL

FALL

8 TP

4 FN

12

NON-FALL

2 FP

3 TN

5

10

7

ACCURACY

64.7%

RECALL

66.7%

PRECISION

80%

SPECIFICITY

60%

V.

TOTAL

CONCLUSIÓN Y FUTURA INVESTIGACIÓN

Este artículo presenta un enfoque para detectar caídas basado en los datos obtenidos por sensores de un teléfono inteligente. Se proponen dos algoritmos: uno para identificar la ubicación de los teléfonos inteligentes con respecto al cuerpo del usuario y otro para detectar caídas. Un total de seis opciones de ubicación se ofrece al usuario para llevar el dispositivo: el bolsillo de la camisa en el pecho, el bolsillo lateral del pantalón, una funda protectora, mientras una persona está hablando, mientras está escribiendo o leyendo un mensajes de texto, o si está caminando con el dispositivo en una mano. Utilizando los ejes del acelerómetro y la magnitud de la giroscopio, el algoritmo es capaz de determinar la ubicación del teléfono inteligente. Se detecta una caída cuando se dispararon tres factores desencadenantes. El primer factor se activa cuando se detecta una amplitud de pico a pico anormal máxima. El factor dos se activa cuando el valor actual promedio de la señal se estabiliza cerca de cero. El factor final se activa (se detecta una caída) cuando un período de inactividad (valores de señal están cerca de cero) es constante para una ventana de tiempo predefinida.

Un total de exactitud de 72% se obtuvo a partir de los experimentos de algoritmo de selección de ubicación, y una precisión del 81.3% se calculó a partir de los experimentos de algoritmo de detección de caída. Los tres primeros lugares de detección de una caída son: actividad de leer o escribir mensajes de texto con un 95.8% de precisión de detección de caída, bolsillo lateral del pantalón con una precisión del 87,5% y el bolsillo de la camisa en el pecho con una precisión del 83.3%. El rendimiento más bajo se exhibió en la ubicación de la funda protectora porque los valores del acelerómetro no cambian tan drásticamente como en otros lugares. Este trabajo se puede extender en varias formas para realizar todo el potencial del sistema propuesto. Un sistema relacionado con caídas depende de la singularidad de los patrones de movimiento del usuario. Estos, por desgracia, cambian con el tiempo. El diseño del sistema tiene que ser lo suficientemente robusto como para tomar en consideración los cambios en las características cinemáticas del usuario debido al envejecimiento. La configuración de umbrales puede ser un reto considerable. Los umbrales dependen del método utilizado, el tipo de caída (caer hacia adelante, caer hacia atrás, etc.) y las características físicas del sujeto de interés. Las reglas que se aplican a una persona alta no suelen ser las mismas para una persona de baja estatura y viceversa. El enfoque común es establecer un umbral que generaliza tanto como sea posible una población específica. EL consumo de la batería seria otro tema a investigar para mejorar la eficacia del sistema. VI. REFERENCIAS [1] Cdc.gov, “Falls Among Older Adults: An Overview.” [2] Cdc.gov, “Public Health and Aging: Trends in Aging — United States and Worldwide.” [3] M. A. Habib, M. S. Mohktar, S. B. Kamaruzzaman, K. S. Lim, T. M. Pin, and F. Ibrahim, “Smartphone-based solutions for fall detection and prevention: challenges and open issues,” Sensors, vol. 14, no. 4, pp. 7181–208, 2014. [4] Pewinternet, “Mobile Technology Fact Sheet.” [5] Alert-1.com, “Fall Detection Technology.” [6] Medicalguardian.com, “Classic Guardian.” [7] Vocare.com, “My SafetyButton Medical Alert,” [8] A. Doulamis and N. Doulamis, “A real-time single-camera approach for automatic fall detection,” in Proceedings of the conference on remote sensing and spatial information sciences, (Newcastle), pp. 208–212, ISPRS, 2010. [9] S.-G. Miaou, “A customized human fall detection system using omnicamera images and personal information,” in Proceedings of the 1st transdisciplinary conference on distributed diagnosis and home healthcare, (Arlington), pp. 39–42, IEEE, 2006. [10] S. Hwang and M. Ryu, “Fall detection with three-axis accelerometer and magnetometer in a smartphone,” in Proceedings of the international conference on computer science and technology, (Jeju), pp. 65–70, CST,2012. [11] M. Kangas, A. Konttila, P. Lindgren, I. Winblad, and T. Ja¨msa¨, “Comparison of low-complexity fall detection algorithms for body attached accelerometers,” Gait & posture, vol. 28, no. 2, pp. 285–91, 2008. [12] Uregina.ca, “Confusion Matrix.” [13] O. D. Lara and M. A. Labrador, “A survey on human activity recognition using wearable sensors,” IEEE Communications Surveys & Tutorials, vol. 15, no. 3, pp. 1192–1209, 2013. [14] L. Valcourt, Y. De La Hoz, and M. Labrador, “ Human Fall Detection with Smartphones” , 2014.

Luis Valcourt received his B.Sc. in Computer Science from Universidad de Puerto Rico, Bayamón, Puerto Rico in 2015. He has experience working with investigations related to green movement technologies and health related technology. During his last year, he dedicated his research and internship with University of South Florida, Tampa Campus, developing an application for detecting falls, explained in this paper. He is currently working with the Department of Defense and pursuing a M.Sc. in Enginering Management from Old Dominion University. His research interests encompass but are not limited to data analytics, software development, and health related technologies. Yueng de La Hoz received his B.Sc. in Electronics Engineering from Universidad del Norte, Barranquilla, Colombia, in 2009. He has over two years of industry experience in the private sector, being involved in projects related to VoIP systems, Cyber Marketing, and Software Development. He received his M.Sc. in Computer Science in 2014 from the University of South Florida. He is currently pursuing a doctoral degree in Computer Science from the University of South Florida. His research interests encompass but are not limited to machine learning, big data analytics, software development and networking. Miguel Labrador received the M.S. in Telecommunications and the Ph.D. degree in Information Science with concentration in Telecommunications from the University of Pittsburgh, in 1994 and 2000, respectively. Since 2001, he has been with the University of South Florida, Tampa, where he is currently an Associate Professor in the Department of Computer Science and Engineering and the Di- rector of the Graduate Programs and the Research Experiences for Undergraduates Program. His research interests are in ubiquitous sensing, location-based services, energyefficient mechanisms for wireless sensor networks, and design and performance evaluation of computer networks and communication protocols. Dr. Labrador has served as Technical Program Committee member of many IEEE conferences and is currently area editor of Computer Commu- nications and editorial board member of the Journal of Network and Computer Applications, both Elsevier Science journals. Dr. Labrador is the lead author of ”Location-Based Information Systems - Developing Real-Time Tracking Applications”, Taylor and Francis and ”Topology Control in Wireless Sensor Networks”, Springer. Dr. Labrador is senior member of the IEEE and member of ACM, ASEE and Beta Phi Mu.

Get in touch

Social

© Copyright 2013 - 2024 MYDOKUMENT.COM - All rights reserved.