Akademik Veri Yönetim Sistemi
SENSORS, cilt.14, sa.6, ss.10691-10708, 2014 (SCI-Expanded)
Düşmeler çok ciddi bir toplum sağlığı problemi ve bu risk gurubu içerisinde yer alan bireyler için bir yaşam tehdididir. Bu proje ile sensör birimlerinden oluşan ve vücudun 6 farklı bölgesine sabitlenerek giyilebilen bir otomatik düşme sezme sistemi geliştirilmiştir. Her bir sensör ünitesi her biri üç eksenli ivmelenme sensörü, jiroskop ve magnetometreden meydana gelmektedir. 14 gönüllü ile içesinde 20 adet düşme ve 16 adet günlük aktivitenin bulunduğu standart bir hareket seti 5'er tekrar ile oluşturulmuş ve toplamda 2520 adet kayıttan oluşan bir ver tabanı oluşturulmuştur. Sınıflanıdırıcıların eğitim ve test süreçlerindeki hesaplamasal yüklerini azaltmak amacı ile göğüs bölgesindeki sensörden elde edilen toplan ivmelenme vektörünün maksimum olduğu noktanın öncesi ve sonrasındaki 2sn'lik kısmına yani 4sn'lik bir kayıta odaklanılmış, daha sonra bu kayıt dosyası üzerine öznitelik çıkarım ve azaltım işlemleri uygulanmıştır. Düşme sezme ile ilgili çalışmaların çoğunda sensör çıkışlarının basit eşiklemesi temeline dayanan kural tabanlı yaklaşımlar kullanılmıştır. Bu çalışmada altı farklı sınıflandırıcı ile düşmeler günlük aktivitelerden başarılı bir şekilde ayrılmıştır. Bu sınıflandırıcılar k en yakın komşu (k-NN), en küçük kareler (LSM), Bayes karar kuralı (BDM), dinamik zaman bükme (DTW) ve yapay sinir ağı (ANN) sınıflandırıcılarıdır. Sınıflandırıcıların performans ve hesaplama yükleri karşılaştırılmış en iyi sonuçlar k-NN ve LSM sınıflandırıcıları ile alınmıştır, duyarlılık, özgüllük, hassasiyet kriterlerinin hepsi %99'un üzerinde bir başarım ile elde edilmiştir. Bu sınıflandırıclar ayrıca eğitim ve test aşamalarında makul bir hesaplama yükü taşırlar. Bizim yaklaşımımız verinin önceden tanımlanmayan bir süre boyunca, pek çok farklı hareketin ard arda yapılması sureti ile kaydedildiği gerçek düşme verilerine de uygulanabilir.
Falls are a serious public health problem and possibly life threatening for people in fall risk groups. We develop an automated fall detection system with wearable motion sensor units fitted to the subjects' body at six different positions. Each unit comprises three tri-axial devices (accelerometer, gyroscope, and magnetometer/compass). Fourteen volunteers perform a standardized set of movements including 20 voluntary falls and 16 activities of daily living (ADLs), resulting in a large dataset with 2520 trials. To reduce the computational complexity of training and testing the classifiers, we focus on the raw data for each sensor in a 4 s time window around the point of peak total acceleration of the waist sensor, and then perform feature extraction and reduction. Most earlier studies on fall detection employ rule-based approaches that rely on simple thresholding of the sensor outputs. We successfully distinguish falls from ADLs using six machine learning techniques (classifiers): the k-nearest neighbor (k-NN) classifier, least squares method (LSM), support vector machines (SVM), Bayesian decision making (BDM), dynamic time warping (DTW), and artificial neural networks (ANNs). We compare the performance and the computational complexity of the classifiers and achieve the best results with the k-NN classifier and LSM, with sensitivity, specificity, and accuracy all above 99%. These classifiers also have acceptable computational requirements for training and testing. Our approach would be applicable in real-world scenarios where data records of indeterminate length, containing multiple activities in sequence, are recorded.