Name: design and analysis for fall detection system simplification
Uploaded: 2020-04-06T13:00:00
Duration: 8 min 5 s
Description: Watch this Scientific Journal Video about Design and Analysis for Fall Detection System Simplification at JoVE.com

تم تمويل هذا البحث من قبل جامعة بانأمريكانا من خلال منحة "Fomento a la Investigación UP 2018"، بموجب رمز المشروع UP-CI-2018-ING-MX-04.

<ol>
	<li>United Nations. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=World+Population+Prospects:+The+2017+Revision,+Key+Findings+and+Advance+Tables.">World Population Prospects: The 2017 Revision, Key Findings and Advance Tables.</a> United Nations. Department of Economic and Social Affairs, Population Division. , (2017).</li><li>World Health Organization. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Ageing,+and+Life+Course+Unit.">Ageing, and Life Course Unit.</a> WHO Global Report on Falls Prevention in Older Age. , (2008).</li><li>Igual, R., Medrano, C., Plaza, I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Challenges,+Issues+and+Trends+in+Fall+Detection+Systems.">Challenges, Issues and Trends in Fall Detection Systems.</a> Biomedical Engineering Online. 12 (1), 66 (2013).</li><li>Noury, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Fall+Detection-Principles+and+Methods.">Fall Detection-Principles and Methods.</a> 2007 29th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. , 1663-1666 (2007).</li><li>Mubashir, M., Shao, L., Seed, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+Survey+on+Fall+Detection:+Principles+and+Approaches.">A Survey on Fall Detection: Principles and Approaches.</a> Neurocomputing. 100, 144-152 (2002).</li><li>Perry, J. T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Survey+and+Evaluation+of+Real-Time+Fall+Detection+Approaches.">Survey and Evaluation of Real-Time Fall Detection Approaches.</a> Proceedings of the 6th International Symposium High-Capacity Optical Networks and Enabling Technologies. , 158-164 (2009).</li><li>Xu, T., Zhou, Y., Zhu, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=New+Advances+and+Challenges+of+Fall+Detection+Systems:+A+Survey.">New Advances and Challenges of Fall Detection Systems: A Survey.</a> Applied Sciences. 8 (3), 418 (2018).</li><li>Rougier, C., Meunier, J., St-Arnaud, A., Rousseau, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Robust+Video+Surveillance+for+Fall+Detection+Based+on+Human+Shape+Deformation.">Robust Video Surveillance for Fall Detection Based on Human Shape Deformation.</a> IEEE Transactions on Circuit Systems for Video Technologies. 21, 611-622 (2011).</li><li>Bulling, A., Blanke, U., Schiele, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+Tutorial+on+Human+Activity+Recognition+Using+Body-Worn+Inertial+Sensors.">A Tutorial on Human Activity Recognition Using Body-Worn Inertial Sensors.</a> ACM Computing Surveys. 46 (3), 33 (2014).</li><li>Kwolek, B., Kepski, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Human+Fall+Detection+on+Embedded+Platform+Using+Depth+Maps+and+Wireless+Accelerometer.">Human Fall Detection on Embedded Platform Using Depth Maps and Wireless Accelerometer.</a> Computational Methods and Programs in Biomedicine. 117, 489-501 (2014).</li><li>Ofli, F., Chaudhry, R., Kurillo, G., Vidal, R., Bajcsy, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Berkeley+MHAD:+A+Comprehensive+Multimodal+Human+Action+Database.">Berkeley MHAD: A Comprehensive Multimodal Human Action Database.</a> Proceedings of the 2013 IEEE Workshop on Applications of Computer Vision. , 53-60 (2013).</li><li>Dovgan, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Intelligent+Elderly-Care+Prototype+for+Fall+and+Disease+Detection.">Intelligent Elderly-Care Prototype for Fall and Disease Detection.</a> Slovenian Medical Journal. 80, 824-831 (2011).</li><li>Santoyo-Ram&#243;n, J., Casilari, E., Cano-Garc&#237;a, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Analysis+of+a+Smartphone-Based+Architecture+With+Multiple+Mobility+Sensors+for+Fall+Detection+With+Supervised+Learning.">Analysis of a Smartphone-Based Architecture With Multiple Mobility Sensors for Fall Detection With Supervised Learning.</a> Sensors. 18 (4), 1155 (2018).</li><li>&#214;zdemir, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=An+Analysis+on+Sensor+Locations+of+the+Human+Body+for+Wearable+Fall+Detection+Devices:+Principles+and+Practice.">An Analysis on Sensor Locations of the Human Body for Wearable Fall Detection Devices: Principles and Practice.</a> Sensors. 16 (8), 1161 (2016).</li><li>Ntanasis, P., Pippa, E., &#214;zdemir, A. T., Barshan, B., Megalooikonomou, V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Investigation+of+Sensor+Placement+for+Accurate+Fall+Detection.">Investigation of Sensor Placement for Accurate Fall Detection.</a> International Conference on Wireless Mobile Communication and Healthcare. , 225-232 (2016).</li><li>Bagala, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Evaluation+of+Accelerometer-Based+Fall+Detection+Algorithms+on+Real-World+Falls.">Evaluation of Accelerometer-Based Fall Detection Algorithms on Real-World Falls.</a> PLoS One. 7, 37062 (2012).</li><li>Bourke, A. K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Assessment+of+Waist-Worn+Tri-Axial+Accelerometer+Based+Fall-detection+Algorithms+Using+Continuous+Unsupervised+Activities.">Assessment of Waist-Worn Tri-Axial Accelerometer Based Fall-detection Algorithms Using Continuous Unsupervised Activities.</a> Proceedings of the Annual International Conference of the IEEE Engineering in Medicine and Biology Society. , 2782-2785 (2010).</li><li>Kerdegari, H., Samsudin, K., Ramli, A. R., Mokaram, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Evaluation+of+Fall+Detection+Classification+Approaches.">Evaluation of Fall Detection Classification Approaches.</a> 4th International Conference on Intelligent and Advanced Systems. , 131-136 (2012).</li><li>Alazrai, R., Mowafi, Y., Hamad, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+Fall+Prediction+Methodology+for+Elderly+Based+on+a+Depth+Camera.">A Fall Prediction Methodology for Elderly Based on a Depth Camera.</a> 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. , 4990-4993 (2015).</li><li>Pe&#241;afort-Asturiano, C. J., Santiago, N., N&#250;&#241;ez-Mart&#237;nez, J. P., Ponce, H., Mart&#237;nez-Villase&#241;or, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Challenges+in+Data+Acquisition+Systems:+Lessons+Learned+from+Fall+Detection+to+Nanosensors.">Challenges in Data Acquisition Systems: Lessons Learned from Fall Detection to Nanosensors.</a> 2018 Nanotechnology for Instrumentation and Measurement. , 1-8 (2018).</li><li>Mart&#237;nez-Villase&#241;or, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=UP-Fall+Detection+Dataset:+A+Multimodal+Approach.">UP-Fall Detection Dataset: A Multimodal Approach.</a> Sensors. 19 (9), 1988 (2019).</li><li>Rantz, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Falls,+Technology,+and+Stunt+Actors:+New+approaches+to+Fall+Detection+and+Fall+Risk+Assessment.">Falls, Technology, and Stunt Actors: New approaches to Fall Detection and Fall Risk Assessment.</a> Journal of Nursing Care Quality. 23 (3), 195-201 (2008).</li><li>Lachance, C., Jurkowski, M., Dymarz, A., Mackey, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Compliant+Flooring+to+Prevent+Fall-Related+Injuries:+A+Scoping+Review+Protocol.">Compliant Flooring to Prevent Fall-Related Injuries: A Scoping Review Protocol.</a> BMJ Open. 6 (8), 011757 (2016).</li></ol>

وليس لدى أصحاب البلاغ ما يكشفون عنه.

من الشائع مواجهة التحديات بسبب مشاكل عدم تناسق المزامنة والتنظيم والبيانات20 عند إنشاء مجموعة بيانات.
المزامنه وفي الحصول على البيانات، تنشأ مشاكل في التزامن بالنظر إلى أن أجهزة الاستشعار المتعددة تعمل عادة بمعدلات مختلفة لأخذ العينات. أجهزة الاستشعار ذات الترددات الأعلى تجمع بيانات أكثر من تلك ذات الترددات الأقل. وبالتالي، لن يتم إقران البيانات من مصادر مختلفة بشكل صحيح. وحتى إذا كانت أجهزة الاستشعار تعمل بنفس معدلات أخذ العينات، فمن الممكن ألا تتم محاذاة البيانات. وفي هذا الصدد، قد تساعد التوصيات التالية على معالجة مشاكل التزامن هذه20:'1' تسجيل الطابع الزمني والموضوع والنشاط والتجربة في كل عينة بيانات يتم الحصول عليها من أجهزة الاستشعار؛ '2' تسجيل الطابع الزمني والموضوع والنشاط والتجربة في كل عينة بيانات يتم الحصول عليها من أجهزة الاستشعار؛ '2' تسجيل الطابع الزمني والموضوع والنشاط والتجربة في كل عينة بيانات تم الحصول عليها من أجهزة الاستشعار؛ '2' تسجيل الطابع الزمني والموضوع والنشاط والتجربة في كل عينة بيانات تم الحصول عليها من أجهزة الاستشعار؛ '2' تسجيل الطابع الزمني والموضوع والنشاط والتجربة في كل عينة بيانات تم الحصول عليها '2' يتعين استخدام أكثر مصادر المعلومات اتساقا وأقل تواترا كإشارة مرجعية للتزامن؛ و '3' استخدام إجراءات تلقائية أو شبه تلقائية لمزامنة تسجيلات الفيديو التي سيكون التفتيش اليدوي غير عملي.
المعالجة المسبقة للبيانات يجب أيضاً إجراء المعالجة المسبقة للبيانات، والقرارات الحاسمة تؤثر على هذه العملية: (أ) تحديد أساليب تخزين البيانات وتمثيل البيانات من مصادر متعددة وغير متجانسة (ب) تحديد طرق تخزين البيانات في المضيف المحلي أو على السحابة (ج) تحديد تنظيم البيانات، بما في ذلك أسماء الملفات والمجلدات (د) التعامل مع القيم المفقودة من البيانات وكذلك التكرار الموجودة في أجهزة الاستشعار ، من بين أمور أخرى. بالإضافة إلى ذلك، بالنسبة لسحابة البيانات، يوصى بالتخزين المؤقت المحلي عندما يكون ذلك ممكنًا للتخفيف من فقدان البيانات في وقت التحميل.
عدم اتساق البيانات عدم تناسق البيانات شائع بين التجارب التي تجد اختلافات في أحجام عينات البيانات. وتتعلق هذه المسائل بالحصول على البيانات في أجهزة الاستشعار القابلة للارتداء. تؤدي الانقطاعات القصيرة لاقتناء البيانات واصطدام البيانات من أجهزة استشعار متعددة إلى عدم تناسق البيانات. في هذه الحالات، خوارزميات الكشف عن عدم الاتساق مهمة للتعامل مع الفشل عبر الإنترنت في أجهزة الاستشعار. من المهم تسليط الضوء على أنه يجب مراقبة الأجهزة اللاسلكية بشكل متكرر طوال التجربة. قد يؤثر انخفاض البطارية على الاتصال ويؤدي إلى فقدان البيانات.
الاخلاقيه الموافقة على المشاركة والموافقة الأخلاقية إلزامية في كل نوع من التجارب التي يشارك فيها الناس.
وفيما يتعلق بالقيود المفروضة على هذه المنهجية، من المهم ملاحظة أنها مصممة للنهج التي تنظر في طرائق مختلفة لجمع البيانات. يمكن أن تشمل الأنظمة أجهزة استشعار قابلة للارتداء ومحيطة و/أو رؤية. ويقترح النظر في استهلاك الطاقة من الأجهزة وعمر البطاريات في أجهزة الاستشعار اللاسلكية، وذلك بسبب قضايا مثل فقدان جمع البيانات، وتقلص الاتصال واستهلاك الطاقة في النظام بأكمله. وعلاوة على ذلك، فإن هذه المنهجية مخصصة للنظم التي تستخدم أساليب التعلم الآلي. وينبغي إجراء تحليل لاختيار نماذج التعلم الآلي هذه مسبقا. بعض هذه النماذج يمكن أن تكون دقيقة، ولكن تستهلك الكثير من الوقت والطاقة. ويجب أن تؤخذ في الاعتبار المفاضلة بين التقدير الدقيق ومحدودية الموارد المتاحة للحوسبة في نماذج التعلم الآلي. ومن المهم أيضا ملاحظة أن الأنشطة، في عملية جمع بيانات النظام، قد نُفذت بنفس الترتيب؛ أيضا، أجريت التجارب في نفس التسلسل. ولأسباب تتعلق بالسلامة، استُخدمت مرتبة واقية لوقوع الرعايا فيها. وبالإضافة إلى ذلك، كانت الشلالات ذاتية المبادرة. هذا هو الفرق المهم بين السقوط محاكاة وحقيقي، والتي تحدث عموما نحو المواد الصلبة. وبهذا المعنى، تقع مجموعة البيانات المسجلة هذه كرد فعل بديهي يحاول عدم السقوط. وعلاوة على ذلك، هناك بعض الاختلافات بين السقوط الحقيقي في المسنين أو المعوقين وتسقط المحاكاة؛ ويجب أن تؤخذ هذه في الاعتبار عند تصميم نظام جديد للكشف عن السقوط. وقد ركزت هذه الدراسة على الشباب الذين لا يعانون من أي إعاقة، ولكن من اللافت القول أن اختيار المواضيع ينبغي أن يتماشى مع هدف النظام والسكان المستهدفين الذين سيستخدمونه.
من الأعمال ذات الصلة المذكورة أعلاه10،11،12،13،14،15،16،17،18، يمكننا أن نلاحظ أن هناك مؤلفين يستخدمون أساليب متعددة الوسائط تركز في الحصول على كاشفات سقوط قوية أو التركيز على وضع أو أداء المصنف. وبالتالي ، فإنها تعالج واحدة أو اثنتين فقط من مشكلات التصميم للكشف عن السقوط. منهجيتنا تسمح بحل ثلاثة من مشاكل التصميم الرئيسية لنظام الكشف عن السقوط في وقت واحد.
وبالنسبة للعمل في المستقبل، نقترح تصميم وتنفيذ نظام بسيط متعدد الوسائط للكشف عن السقوط استنادا إلى النتائج التي تم التوصل إليها باتباع هذه المنهجية. وبالنسبة للاعتماد في العالم الحقيقي، ينبغي استخدام التعلم المنقول والتصنيف الهرمي ونُهج التعلم العميق في تطوير نظم أكثر قوة. لم يأخذ تنفيذنا في الاعتبار المقاييس النوعية لنماذج التعلم الآلي ، ولكن يجب أن تؤخذ موارد الحوسبة في الوقت الحقيقي والموارد المحدودة في الاعتبار لمزيد من التطوير لأنظمة الكشف /التعرف على السقوط البشري والنشاط. وأخيرا، من أجل تحسين مجموعة البيانات لدينا، يمكن النظر في أنشطة التعثر أو شبه السقوط ورصد المتطوعين في الوقت الحقيقي خلال حياتهم اليومية.

منذ ظاهرة العالم من شيخوخة السكان1، وقد زاد انتشار السقوط ويعتبر في الواقع مشكلة صحية رئيسية2. عندما يحدث سقوط، يحتاج الناس إلى اهتمام فوري من أجل الحد من العواقب السلبية. يمكن أن تقلل أنظمة الكشف عن السقوط من مقدار الوقت الذي يتلقى فيه الشخص الرعاية الطبية التي ترسل تنبيهًا عند حدوث سقوط.
هناك تصنيفات مختلفة لأنظمة الكشف عن السقوط3. الأعمال المبكرة4 تصنيف نظم الكشف عن الخريف من خلال طريقتها للكشف، وأساليب تحليلية تقريبا وأساليب التعلم الآلي. في الآونة الأخيرة ، واعتبر مؤلفون آخرون3،5،6 أجهزة استشعار الحصول على البيانات باعتبارها الميزة الرئيسية لتصنيف أجهزة الكشف عن الخريف. يقسم Igual et al.3 أنظمة الكشف عن السقوط إلى أنظمة واعية للسياق، وتشمل النهج القائمة على الرؤية وأجهزة الاستشعار المحيطة، وأنظمة الأجهزة القابلة للارتداء. يصنف موبشير وآخرون5 كاشفات الخريف إلى ثلاث مجموعات استنادًا إلى الأجهزة المستخدمة في الحصول على البيانات: الأجهزة القابلة للارتداء، وأجهزة استشعار الأجواء، والأجهزة القائمة على الرؤية. وينظر بيري وآخرون6 في أساليب قياس التسارع، وأساليب قياس التسارع إلى جانب أساليب أخرى، وأساليب عدم قياس التسارع. من هذه الدراسات الاستقصائية، يمكننا أن نحدد أن أجهزة الاستشعار والأساليب هي العناصر الرئيسية لتصنيف استراتيجية البحث العامة.
كل من أجهزة الاستشعار لديه نقاط ضعف ونقاط قوة نوقشت في شو وآخرون7. تستخدم الأساليب القائمة على الرؤية بشكل رئيسي الكاميرات العادية وكاميرات استشعار العمق و/أو أنظمة التقاط الحركة. كاميرات الويب العادية منخفضة التكلفة وسهلة الاستخدام ، ولكنها حساسة للظروف البيئية (تباين الضوء ، الانسداد ، إلخ) ، لا يمكن استخدامها إلا في مساحة مخفضة ، ولها مشاكل في الخصوصية. توفر كاميرات العمق، مثل Kinect، حركة ثلاثية الأبعاد كاملة الجسم7 وأقل تأثرًا بظروف الإضاءة من الكاميرات العادية. ومع ذلك، فإن النهج القائمة على Kinect ليست قوية وموثوقة. أنظمة التقاط الحركة هي أكثر تكلفة ويصعب استخدامها.
تستخدم الأساليب القائمة على أجهزة مقياس التسارع والهواتف الذكية / الساعات ذات مقاييس التسارع المدمجة بشكل شائع جدًا للكشف عن السقوط. العيب الرئيسي لهذه الأجهزة هو أنه يجب ارتداؤها لفترات طويلة. عدم الراحة، والتطفل، ووضع الجسم والتوجه هي قضايا التصميم التي يتعين حلها في هذه النهج. على الرغم من أن الهواتف الذكية والساعات الذكية هي أجهزة أقل تطفلاً التي أجهزة الاستشعار، كبار السن غالباً ما ينسون أو لا يرتدون دائماً هذه الأجهزة. ومع ذلك، فإن ميزة هذه أجهزة الاستشعار والأجهزة هي أنه يمكن استخدامها في العديد من الغرف و / أو في الهواء الطلق.
تستخدم بعض الأنظمة أجهزة استشعار توضع حول البيئة للتعرف على السقوط/ الأنشطة ، لذلك لا يضطر الناس إلى ارتداء أجهزة الاستشعار. ومع ذلك، تقتصر أجهزة الاستشعار هذه أيضًا على الأماكن التي يتم نشرها فيها8 ويصعب تثبيتها أحيانًا. وفي الآونة الأخيرة، تشمل نظم الكشف عن السقوط المتعدد الوسائط توليفات مختلفة من الرؤية وأجهزة استشعار يمكن ارتداؤها وأجهزة استشعار محيطة من أجل اكتساب المزيد من الدقة والمتانة. كما يمكنهم التغلب على بعض قيود جهاز الاستشعار واحد.
وترتبط المنهجية المستخدمة في الكشف عن السقوط ارتباطا وثيقا بسلسلة التعرف على النشاط البشري التي قدمها شركة Bulling et al.9،والتي تتألف من مراحل للحصول على البيانات، والتجهيز المسبق للإشارات وتجزئة ها، واستخراج المعالم واختيارها، والتدريب والتصنيف. يجب حل مشكلات التصميم لكل مرحلة من هذه المراحل. وتستخدم أساليب مختلفة في كل مرحلة.
نحن نقدم منهجية تقوم على أجهزة الاستشعار متعددة الوسائط لتكوين سقوط الإنسان بسيطة ومريحة وسريعة ونظام الكشف عن النشاط البشري / الاعتراف. والهدف من ذلك هو بناء نظام للكشف الدقيق عن السقوط يمكن تنفيذه واعتماده بسهولة. وتستند المنهجية الجديدة المقترحة إلى المركز، ولكنها تضيف بعض المراحل الهامة لإجراء تحليل عميق للمسائل التالية من أجل تبسيط النظام: (أ) اختيار أجهزة الاستشعار أو مجموعة من أجهزة الاستشعار التي ستستخدم في نظام بسيط للكشف عن السقوط؛ (ب) تحديد أجهزة الاستشعار أو مجموعة من أجهزة الاستشعار التي ستستخدم في نظام بسيط للكشف عن السقوط؛ (ب) تحديد أجهزة الاستشعار أو مجموعة من أجهزة الاستشعار التي ستستخدم في نظام بسيط للكشف عن السقوط؛ (ب) تحديد أجهزة الاستشعار أو مجموعة من أجهزة الاستشعار التي ستستخدم في نظام بسيط للكشف عن السقوط؛ (ب) تحديد أجهزة الاستشعار أو مجموعة من أجهزة الاستشعار التي ستستخدم في نظام بسيط للكشف عن السقوط؛ (ب) تحديد أجهزة الاستشعار أو مجموعة من أجهزة الاستشعار التي ستستخدم في نظام بسيط للكشف عن السقوط؛ (ب) تحديد أجهزة الاستشعار أو مجموعة من أجهزة الاستشعار التي ستستخدم في نظام بسيط لل (ب) تحديد أفضل وضع لمصادر المعلومات؛ (ج) اختيار أنسب طريقة لتصنيف التعلم الآلي للكشف عن السقوط والتعرف على النشاط البشري لإنشاء نظام بسيط.
هناك بعض الأعمال ذات الصلة في الأدب التي تعالج واحدة أو اثنتين من قضايا التصميم المذكورة أعلاه ، ولكن على حد علمنا ، لا يوجد عمل يركز على منهجية للتغلب على كل هذه المشاكل.
تستخدم المصنفات ذات الصلة أساليب متعددة الوسائط للكشف عن السقوط والتعرف على النشاط البشري10،11،12 من أجل اكتساب المتانة وزيادة الدقة. واقترح كلوميك وآخرون10 تصميم وتنفيذ نظام للكشف عن السقوط يستند إلى بيانات التسارع وخرائط العمق. وصمموا منهجية مثيرة للاهتمام يتم فيها تنفيذ مقياس تسارع ثلاثي المحاور للكشف عن السقوط المحتمل وكذلك حركة الشخص. إذا تجاوز مقياس التسارع عتبة، تستخرج الخوارزمية شخصًا يختلف عن خريطة العمق من الخريطة المرجعية للعمق المحدثة عبر الإنترنت. تم إجراء تحليل لتركيبات العمق ومقياس التسارع باستخدام مصنف آلة ناقلات الدعم.
وقدم أوفي لي وآخرون11 قاعدة بيانات للعمل البشري المتعدد الوسائط من أجل توفير اختبار لنظم جديدة للتعرف على الأنشطة البشرية. مجموعة البيانات مهمة حيث تم جمع الإجراءات في وقت واحد باستخدام نظام التقاط الحركة البصرية 1 ، 4 كاميرات متعددة المشاهدة ، 1 نظام Kinect ، 4 ميكروفونات ، و 6 مقاييس التسارع اللاسلكية. قدم المؤلفون نتائج لكل طريقة: Kinect، وmocap، والتسارع، والصوت.
واقترح دوفغان وآخرون12 نموذجا أوليا للكشف عن السلوك الشاذ، بما في ذلك السقوط، في كبار السن. قاموا بتصميم اختبارات لثلاثة أنظمة استشعار من أجل العثور على المعدات الأكثر ملاءمة للكشف عن السقوط والسلوك غير العادي. تتكون التجربة الأولى من بيانات من نظام استشعار ذكي مع 12 علامة متصلة بالوركين والركبتين والكاحلين والمعصمين والمرفقين والكتفين. كما أنشأوا مجموعة بيانات اختبار باستخدام نظام استشعار يوبيسينس واحد مع أربع علامات تعلق على الخصر والصدر وكلا الكاحلين، ومقياس تسارع Xsens واحد. في تجربة ثالثة ، أربعة مواضيع فقط استخدام نظام Ubisense أثناء تنفيذ 4 أنواع من السقوط ، 4 مشاكل صحية كسلوك شاذ ونشاط مختلف من الحياة اليومية (ADL).
أعمال أخرى في الأدب13،14،15 معالجة مشكلة العثور على أفضل موضع لأجهزة الاستشعار أو الأجهزة للكشف عن الخريف مقارنة أداء مجموعات مختلفة من أجهزة الاستشعار مع العديد من المصنفين. وقدم سانتويو وآخرون13 تقييماً منهجياً لتقييم أهمية موقع 5 أجهزة استشعار للكشف عن السقوط. قارنوا أداء مجموعات الاستشعار هذه باستخدام أقرب جيران K (KNN) ، ودعم آلات ناقلات (SVM) ، وبايز الساذج (NB) ومصنفي شجرة القرار (DT). ويخلصون إلى أن موقع جهاز الاستشعار عن هذا الموضوع له تأثير هام على أداء كاشف الخريف بمعزل عن المصنف المستخدم.
تم تقديم مقارنة بين مواضع أجهزة الاستشعار القابلة للارتداء على الجسم للكشف عن السقوط من قبل Özdemir14. من أجل تحديد موضع الاستشعار ، قام المؤلف بتحليل 31 تركيبة استشعار من المواقف التالية: الرأس والخصر والصدر والمعصم الأيمن والكاحل الأيمن والفخذ الأيمن. قام أربعة عشر متطوعًا بأداء 20 سقوطًا محاكيًا و16 من ADL. ووجد أنه تم الحصول على أفضل أداء عندما يتم وضع جهاز استشعار واحد على الخصر من هذه التجارب مزيج شامل. وقدمت نتانازيس15 مقارنة أخرى باستخدام مجموعة بيانات أودديمير. قارن المؤلفون المواقف الفردية على الرأس والصدر والخصر والمعصم والكاحل والفخذ باستخدام المصنفين التاليين: J48 و KNN وRF واللجنة العشوائية (RC) وSVM.
يمكن العثور على معايير أداء الأساليب الحسابية المختلفة للكشف عن السقوط في الأدب16،17،18. وقدم باغالا وآخرون16 مقارنة منهجية لقياس أداء ثلاثة عشر طريقة للكشف عن السقوط تم اختبارها على السقوط الحقيقي. أنها تعتبر فقط خوارزميات على أساس قياسات التسارع وضعت على الخصر أو الجذع. وقيّم بورك وآخرون17 أداء خمس خوارزميات تحليلية للكشف عن السقوط باستخدام مجموعة بيانات من الـ ADLs والسقوط استناداً إلى قراءات مقياس التسارع. أدلى Kerdegari18 أيضا مقارنة لأداء نماذج التصنيف المختلفة لمجموعة من بيانات التسارع المسجلة. وكانت الخوارزميات المستخدمة للكشف عن السقوط صفرر، ونآر، وNB، وDT، والإدراك المتعدد الطبقات، وSVM.
واقترح Alazrai وآخرون18 منهجية للكشف عن السقوط باستخدام واصف هندسي للحركة لبناء تمثيل تراكمي قائم على الرسم البياني للنشاط البشري. قاموا بتقييم الإطار باستخدام مجموعة بيانات تم جمعها مع أجهزة استشعار Kinect.
باختصار ، وجدنا متعدد الوسائط الكشف عن الخريف الأعمال ذات الصلة10،11،12 التي تقارن أداء مجموعات مختلفة من الطرائق. بعض المؤلفين معالجة مشكلة العثور على أفضل موضع من أجهزة الاستشعار13،14،15، أو مجموعات من أجهزة الاستشعار13 مع العديد من المصنفين13،15،16 مع أجهزة استشعار متعددة من نفس الطريقة ومقاييس التسارع. ولم يُعثر على أي عمل في المؤلفات التي تتناول التنسيب والتركيبات المتعددة الوسائط ومعيار التصنيف في نفس الوقت.

<table>
	<tbody>
		<tr>
			<td>Inertial measurement wearable sensor</td>
			<td>Mbientlab</td>
			<td>MTH-MetaTracker</td>
			<td>Tri-axial accelerometer, tri-axial gyroscope and light intensity wearable sensor.</td>
		</tr>
		<tr>
			<td>Electroencephalograph brain sensor helmet MindWave</td>
			<td>NeuroSky</td>
			<td>80027-007</td>
			<td>Raw brainwave signal with one forehand sensor.</td>
		</tr>
		<tr>
			<td>LifeCam Cinema video camera</td>
			<td>Microsoft</td>
			<td>H5D-00002</td>
			<td>2D RGB camera with USB cable interface.</td>
		</tr>
		<tr>
			<td>Infrared sensor</td>
			<td>Alean</td>
			<td>ABT-60</td>
			<td>Proximity sensor with normally closed relay.</td>
		</tr>
		<tr>
			<td>Bluetooth dongle</td>
			<td>Mbientlab</td>
			<td>BLE</td>
			<td>Dongle for Bluetooth connection between the wearable sensors and a computer.</td>
		</tr>
		<tr>
			<td>Raspberry Pi</td>
			<td>Raspberry</td>
			<td>Version 3 Model B</td>
			<td>Microcontroller for infrared sensor acquisition and computer interface.</td>
		</tr>
		<tr>
			<td>Personal computer</td>
			<td>Dell</td>
			<td></td>
			<td>Intel Xeon E5-2630 v4 @2.20 GHz, RAM 32GB</td>
		</tr>
	</tbody>
</table>

design and analysis for fall detection system simplification

تقدم هذه الورقة منهجية تستند إلى أجهزة استشعار متعددة الوسائط لتكوين نظام بسيط ومريح وسريع للكشف عن السقوط والتعرف على النشاط البشري يمكن تنفيذه واعتماده بسهولة. وتستند المنهجية إلى تكوين أنواع محددة من أجهزة الاستشعار وأساليب وإجراءات التعلم الآلي. وينقسم البروتوكول إلى أربع مراحل: (1) إنشاء قاعدة بيانات (2) تحليل البيانات (3) تبسيط النظام و (4) التقييم. وباستخدام هذه المنهجية، أنشأنا قاعدة بيانات متعددة الوسائط للكشف عن السقوط والتعرف على النشاط البشري، وهي الكشف عن الوفيات. وهو يتألف من عينات بيانات من 17 موضوعاً يقومون بـ 5 أنواع من السقوط و6 أنشطة بسيطة مختلفة، خلال 3 تجارب. تم جمع جميع المعلومات باستخدام 5 أجهزة استشعار يمكن ارتداؤها (مقياس التسارع ثلاثي المحاور، جيروسكوب وكثافة الضوء)، وخوذة كهربائية دماغ، و6 مستشعرات الأشعة تحت الحمراء كمستشعرات محيطة، وكاميراتين في وجهات النظر الجانبية والأمامية. وتضيف المنهجية الجديدة المقترحة بعض المراحل الهامة لإجراء تحليل عميق لقضايا التصميم التالية من أجل تبسيط نظام الكشف عن السقوط: (أ) اختيار أجهزة الاستشعار أو مجموعة من أجهزة الاستشعار التي ستستخدم في نظام بسيط للكشف عن السقوط، ب) تحديد أفضل وضع لمصادر المعلومات، ج) اختيار أنسب طريقة لتصنيف التعلم الآلي للكشف عن الخريف والكشف عن النشاط البشري والتعرف عليه. وعلى الرغم من أن بعض النهج المتعددة الوسائط الواردة في الأدبيات لا تركز إلا على واحدة أو اثنتين من المسائل المذكورة أعلاه، فإن منهجيتنا تسمح في الوقت نفسه بحل مشاكل التصميم الثلاث المتصلة بنظام الكشف عن السقوط البشري والكشف عن الأنشطة والتعرف عليها في الوقت نفسه.

Watch this Scientific Journal Video about Design and Analysis for Fall Detection System Simplification at JoVE.com

Design and Analysis for Fall Detection System Simplification

نحن نقدم منهجية تعتمد على أجهزة استشعار متعددة الوسائط لتكوين نظام بسيط ومريح وسريع للكشف عن السقوط والتعرف على النشاط البشري. والهدف من ذلك هو بناء نظام للكشف الدقيق عن السقوط يمكن تنفيذه واعتماده بسهولة.

تصميم وتحليل لتبسيط نظام الكشف عن السقوط

This paper presents a methodology based on multimodal sensors to configure a simple, comfortable and fast fall detection and human activity recognition ...

منهجيتنا تضيف مراحل هامة، واختيار مزيج من أجهزة الاستشعار، ووضع وتصنيف، لتبسيط نظام الكشف عن الخريف مع تحليل عميق. هناك أعمال سابقة تعالج بعض قضايا تصميم كشف الخريف، ولكن لا يوجد عمل يركز على منهجية شاملة للتغلب على جميع هذه المشاكل. ويمكن استخدام هذه المنهجية أيضاً في التعرف على النشاط البشري في مجال المساعدة على الحياة، وتقييم الأداء الرياضي، والعلاج الطبيعي، وتطبيقات إعادة التأهيل.عند إنشاء مجموعة بيانات، قد تنشأ تحديات بسبب المزامنة، والتنظيم، وعدم التناسق في البيانات. وينبغي أن يؤخذ في الاعتبار المقايضة بين التقدير الدقيق وتعقّد النموذج. ومن خلال هذا الإجراء، سيكون خوسيه بابلو نونيز مارتينيز، وهو مساعد باحث، وصوفيا باتشيكو إيبانيز، طالبة هندسة جامعية من مختبرنا.ابدأ بإنشاء نظام الحصول على البيانات لتسهيل جمع البيانات وتخزينها. حدد أنواع أجهزة الاستشعار القابلة للارتداء، وأجهزة الاستشعار المحيطة، والأجهزة القائمة على الرؤية المطلوبة كمصادر للمعلومات، وحدد معرف لكل مصدر للمعلومات، وعدد القنوات لكل مصدر، والمواصفات الفنية، ومعدل أخذ العينات لكل منها. لتوصيل كافة مصادر المعلومات إلى كمبيوتر مركزي أو نظام كمبيوتر موزعة أولاً تحقق من توصيل الأجهزة المستندة إلى سلك بشكل صحيح إلى كمبيوتر عميل واحد ثم تحقق من أن الأجهزة المستندة إلى لاسلكية بالكامل.لإعداد كل جهاز لاسترداد البيانات، قم بتعيين نظام الحصول على البيانات للسماح بتخزين البيانات على السحابة والتأكد من أن نظام الحصول على البيانات يفي بمزامنة البيانات وخصائص تناسق البيانات المناسبة. تأكد من أن جميع أجهزة الاستشعار تكتسب البيانات بشكل ثابت وفي وقت واحد وتضمين تسميات لتحديد النشاط والصفات الموضوع. جمع بيانات العينة مع الأجهزة وتخزين البيانات في نظام مفضل.الاستعلام عن قاعدة البيانات وتحديد ما إذا كانت كافة مصادر المعلومات يتم جمعها بنفس معدلات العينة. بعد النظر في الشروط المطلوبة في القيود المفروضة من قبل الهدف من النظام، وإعداد بيئة اختبار وضع فراش أو أي أنظمة الأرضيات متوافقة أخرى في وسط البيئة لضمان سلامة المشاركين. احتفظ بأية أغراض على بعد متر واحد على الأقل من الفراش، واحضر أي معدات حماية شخصية ضرورية للمشاركين.ثم قم بإعداد الكاميرات المناسبة وإقران مستشعرات الأشعة تحت الحمراء حول الفراش كما هو موضح. تحديد هدف نظام كشف السقوط والتعرف على النشاط البشري على ورقة تخطيط وتحديد السكان المستهدفين من التجربة وفقا لهدف النظام. تحديد نوع الأنشطة اليومية بما في ذلك بعض الأنشطة غير الخريف التي تبدو وكأنها تقع لتحسين كشف السقوط الحقيقي.تعيين معرف لكل نشاط ووصف الأنشطة بأكبر قدر ممكن من التفصيل. ثم قم بتعيين الفترة الزمنية لكل نشاط ليتم تنفيذه. تحديد نوع السقوط البشري وتعيين معرف ووصف كل سقوط لكل نشاط جنبا إلى جنب مع الفترة الزمنية لكل سقوط ليتم تنفيذها.النظر في ما إذا كان سيتم إنشاء السقوط ذاتيا من قبل المواضيع أو التي تم إنشاؤها من قبل الآخرين وكتابة هذه المعلومات على ورقة التخطيط. لجمع بيانات النشاط والسقوط، ضع أجهزة التسجيل على الموضوع كما هو موضح. عندما يكون الموضوع جاهزاً، تحت إشراف خبير سريري أو باحث مسؤول، ابدأ جمع البيانات في نظام اكتساب البيانات واطلب من الشخص إجراء تسلسل الأنشطة والسقوط المبين في ورقة التخطيط مما يوفر الطوابع الزمنية لبداية ونهاية كل نشاط أو سقوط.تحقق من حفظ البيانات من جميع مصادر المعلومات على السحابة بعد كل نشاط أو سقوط. لتحليل البيانات التي تم جمعها من النشاط والسقوط، استخدم مجموعة بيانات المعالم لكل أسلوب تعلم الآلة لتشغيل التحقق من صحة عبر ثني K. استخدم مقياسًا مشتركًا للتقييم مثل الدقة لتحديد أفضل نموذج تم تدريبه لكل طريقة.بعد ذلك، افتح مجموعة بيانات ميزة التدريب في برنامج لغة البرمجة المفضلة واستخدم مكتبة الباندا لقراءة ملف CSV كما هو مبين. تقسيم مجموعة البيانات ميزة في أزواج من المدخلات / المخرجات كما هو مبين. حدد أسلوب تعلم آلة واحد وقم بتعيين المعلمات.تدريب نموذج التعلم الآلي وحساب قيم التقديرات للنموذج باستخدام مجموعة بيانات ميزة الاختبار. كرر التحقق من صحة تقاطع K-fold لعدد المرات التي يتم فيها تحديد K في التحقق من صحة الـ K-fold عبر لكل نموذج تعلم الآلة المحدد. حدد المواضع المناسبة في النهج المتعدد الوسائط إذا كان هناك حاجة إلى مزيج من مصدرين أو أكثر من مصادر المعلومات للنظام واختيار أفضل مصدر للمعلومات لكل طريقة في النظام.إنشاء مجموعة بيانات ميزة مجمعة باستخدام مجموعات البيانات المستقلة لمصادر المعلومات هذه وتحديد طريقة تصنيف التعلم الآلي. تدريب نموذج لمصادر المعلومات المجمعة هذه وتكرار التحقق باستخدام مجموعة البيانات الخاصة بالميزة المجمعة. ثم إعداد مجموعة بيانات جديدة مع المواضيع تحت ظروف أكثر واقعية باستخدام مصادر المعلومات المختارة في التحليل السابق فقط.التمثيل الرسومي لأفضل أداء تم الحصول عليها لكل طريقة اعتمادا على نموذج التعلم الآلي وأفضل تكوين طول النافذة يوضح بوضوح أن النهج المتعددة الوسائط الحصول على أفضل قيم درجة F1 مقارنة ببعض النهج الأحادية الواسطة. على الرغم من استخدام أجهزة الاستشعار القابلة للارتداء فقط، إلا أنه يمكن الحصول على أداء مماثل لنهج متعدد الوسائط. من حيث المعيار للنماذج المستندة إلى البيانات ، تقدم الغابات العشوائية أفضل النتائج في جميع التجارب تقريبًا بينما لا تكون آلات الـscepter متعددة الطبقات وناقلات الدعم متسقة للغاية في الأداء.يتم الحصول على أفضل أداء عند استخدام جهاز استشعار واحد في الخصر أو الرقبة أو الجيب الأيمن الضيق. الكاحل والمعصم الأيسر أجهزة الاستشعار التي يمكن ارتداؤها أداء أسوأ. بالإضافة إلى ذلك ، فإن الخصر ، الرقبة ، وأجهزة الاستشعار الضيقة الجيب الأيمن مع مصنف الغابات العشوائية في حجم نافذة لمدة ثلاث ثوان مع 50 ٪ متداخلة هي أجهزة الاستشعار الأكثر ملاءمة للارتداء للكشف عن الخريف.كاميرا عرض الجانبي ينفذ أفضل كشف سقوط وأفضل موقع الكاميرا هو في وجهة نظر ذاتية باستخدام الغابات عشوائية في حجم نافذة ثلاث ثوان وتداخل 50٪. بالإضافة إلى ذلك، يوضح مصنف نموذج الغابات العشوائي أفضل أداء في الدقة ودرجة F1 في كل من الطرائق المتعددة والمزيج بين الخصر والكاميرا مرتبة واحدة في الموضع الأول. في تجاربنا، قمنا بتوظيف شباب بدون ضعف، ولكن يجب اختيار مواضيع تتماشى مع هدف النظام والسكان المستهدفين الذين يستخدمون النظام.ويمكن تصميم وتنفيذ نظم بسيطة للكشف عن السقوط المتعدد الوسائط استنادا إلى هذه المنهجية. وبالنسبة للتكيف الحقيقي في العالم، يوصى باتباع نهج التعلم والنقل والتعلم العميق من أجل تطوير نظم قوية.

Research

JoVE Journal

Bioengineering

Silk Film Culture System for in vitro Analysis and Biomaterial Design

Silk Film Culture System for in vitro Analysis and Biomaterial Design

نظام الحرير ثقافة السينما ل في المختبر تحليل وتصميم مادة بيولوجية

Silk films are promising protein-based biomaterials that can be fabricated with high fidelity and economically within a research laboratory environment ...

Bacterial Detection &amp; Identification Using Electrochemical Sensors

Bacterial Detection & Identification Using Electrochemical Sensors

كشف البكتيرية والاستدلال باستخدام مجسات الكهروكيميائية

Electrochemical  sensors are widely used for rapid and accurate measurement of blood glucose and  can be adapted for detection of a wide variety of ...

Microfluidic Picoliter Bioreactor for Microbial Single-cell Analysis: Fabrication, System Setup, and Operation

In this protocol the fabrication, experimental setup and basic operation of the recently introduced microfluidic picoliter bioreactor (PLBR) is described ...

Systematic Analysis of In Vitro Cell Rolling Using a Multi-well Plate Microfluidic System

Systematic Analysis of In Vitro Cell Rolling Using a Multi-well Plate Microfluidic System

التحليل المنهجي لل<em&gt; في المختبر</em&gt; الخليوي المتداول باستخدام نظام ميكروفلويديك لوحة متعددة جيدا

A major challenge for cell-based therapy is the inability to systemically target a large quantity of viable cells with high efficiency to tissues of ...

Automated Robotic Liquid Handling Assembly of Modular DNA Devices

الآلي الجمعية معالجة السائل الروبوتية أجهزة وحدات الحمض النووي

Recent advances in modular DNA assembly techniques have enabled synthetic biologists to test significantly more of the available &#34;design space&#34; ...

Design and Implementation of an Automated Illuminating, Culturing, and Sampling System for Microbial Optogenetic Applications

تصميم وتنفيذ لإلقاء الضوء الآلي، التثقيف، ونظام أخذ العينات للتطبيقات الميكروبية علم البصريات الوراثي

Optogenetic systems utilize genetically-encoded proteins that change conformation in response to specific wavelengths of light to alter cellular ...

Method and Instrumented Fixture for Femoral Fracture Testing in a Sideways Fall-on-the-Hip Position

الأسلوب والآلية لاعبا أساسيا لكسر فخذي الاختبار في موقع سقوط في الورك جانبية

Mechanical testing of femora brings valuable insights into understanding the contribution of clinically-measureable variables such as bone mineral density ...

Design and Synthesis of a Reconfigurable DNA Accordion Rack

تصميم وتجميع رف الاكورديون الحمض النووي إعادة التشكيل

DNA nanostructure-based mechanical systems or DNA nanomachines, which produce complex nanoscale motion in 2D and 3D in the nanometer to &#229;ngstr&#246;m ...

Biaxial Mechanical Characterizations of Atrioventricular Heart Valves

بياكسيال الخصائص الميكانيكية لصمامات القلب بي

Extensive biaxial mechanical testing of the atrioventricular heart valve leaflets can be utilized to derive&#160;optimal parameters used in constitutive ...

Electric and Magnetic Field Devices for Stimulation of Biological Tissues

أجهزة المجال الكهربائي والمغناطيسي لتحفيز الأنسجة البيولوجية

Electric fields (EFs) and magnetic fields (MFs) have been widely used by tissue engineering to improve cell dynamics such as proliferation, migration, ...