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

Questa ricerca è stata finanziata dall'Universidad Panamericana attraverso la sovvenzione "Fomento a la Investigaciàn UP 2018", sotto il codice del progetto 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>

Gli autori non hanno nulla da rivelare.

È comune incontrare problemi dovuti a problemi di sincronizzazione, organizzazione e incoerenza dei dati20 quando viene creato un set di dati.
Sincronizzazione Nell'acquisizione dei dati, sorgono problemi di sincronizzazione, dato che più sensori funzionano comunemente a diverse frequenze di campionamento. I sensori con frequenze più alte raccolgono più dati rispetto a quelli con frequenze più basse. Pertanto, i dati provenienti da origini diverse non verranno abbinati correttamente. Anche se i sensori funzionano alle stesse frequenze di campionamento, è possibile che i dati non vengano allineati. A questo proposito, le seguenti raccomandazioni potrebbero aiutare a gestire questi problemi di sincronizzazione20: (i) registrare timestamp, soggetto, attività e prova in ogni campione di dati ottenuto dai sensori; ii) la fonte di informazioni più coerente e meno frequente deve essere utilizzata come segnale di riferimento per la sincronizzazione; e (iii) utilizzare procedure automatiche o semiautomatiche per sincronizzare le registrazioni video che l'ispezione manuale sarebbe impraticabile.
Pre-elaborazione dei dati Anche la pre-elaborazione dei dati deve essere eseguita e le decisioni critiche influenzano questo processo: (a) determinare i metodi per l'archiviazione dei dati e la rappresentazione dei dati di origini multiple ed eterogenee (b) decidere i modi per archiviare i dati nell'host locale o sul cloud (c) selezionare l'organizzazione dei dati, inclusi i nomi dei file e le cartelle (d) gestire i valori mancanti dei dati, nonché i redeventuali trovati nei sensori , tra gli altri. Inoltre, per il cloud di dati, il buffering locale è consigliato quando possibile per ridurre la perdita di dati al momento del caricamento.
Incoerenza dei dati L'incoerenza dei dati è comune tra le prove che individuano variazioni nelle dimensioni del campione di dati. Questi problemi sono correlati all'acquisizione di dati nei sensori indossabili. Brevi interruzioni dell'acquisizione dei dati e collisione dei dati da più sensori portano a incoerenze dei dati. In questi casi, gli algoritmi di rilevamento delle incoerenze sono importanti per gestire i guasti online nei sensori. È importante sottolineare che i dispositivi basati su wireless devono essere monitorati frequentemente durante l'esperimento. Una batteria scarica potrebbe influire sulla connettività e causare la perdita di dati.
Etico Il consenso a partecipare e l'approvazione etica sono obbligatori in ogni tipo di sperimentazione in cui le persone sono coinvolte.
Per quanto riguarda le limitazioni di questa metodologia, è importante notare che è progettata per approcci che considerano diverse modalità per la raccolta dei dati. I sistemi possono includere sensori indossabili, ambientali e/o di visione. Si consiglia di considerare il consumo di energia dei dispositivi e la durata delle batterie nei sensori wireless, a causa di problemi come la perdita di raccolta dei dati, la diminuzione della connettività e il consumo di energia nell'intero sistema. Inoltre, questa metodologia è destinata a sistemi che utilizzano metodi di apprendimento automatico. Un'analisi della selezione di questi modelli di apprendimento automatico deve essere eseguita in anticipo. Alcuni di questi modelli potrebbero essere accurati, ma molto dispendiosi in termini di tempo ed energia. È necessario prendere in considerazione un compromesso tra una stima accurata e una disponibilità limitata delle risorse per l'elaborazione nei modelli di apprendimento automatico. È inoltre importante osservare che, nella raccolta dei dati del sistema, le attività sono state condotte nello stesso ordine; inoltre, le prove sono state eseguite nella stessa sequenza. Per motivi di sicurezza, un materasso protettivo è stato utilizzato per i soggetti a cadere su. Inoltre, le cadute sono state auto-iniziate. Si tratta di una differenza importante tra cadute simulate e reali, che generalmente si verificano nei confronti dei materiali duri. In questo senso, questo set di dati registrato cade con una reazione intuitiva che cerca di non cadere. Inoltre, ci sono alcune differenze tra le cadute reali nelle persone anziane o con disabilità e le cadute della simulazione; e questi devono essere presi in considerazione quando si progetta un nuovo sistema di rilevamento delle cadute. Questo studio si è concentrato sui giovani senza alcuna menomazione, ma è notevole dire che la selezione dei soggetti dovrebbe essere allineata all'obiettivo del sistema e alla popolazione target che lo utilizzerà.
Dalle opere correlate descritte in precedenza10,11,12,13,14,15,16,1717,18, possiamo osservare che ci sono autori che utilizzano approcci multimodali che si concentrano nell'ottenere robusti rilevatori di caduta o concentrarsi sul posizionamento o sulle prestazioni del classificatore. Di conseguenza, affrontano solo uno o due dei problemi di progettazione per il rilevamento delle cadute. La nostra metodologia consente di risolvere contemporaneamente tre dei principali problemi di progettazione di un sistema di rilevamento delle cadute.
Per il lavoro futuro, suggeriamo di progettare e implementare un semplice sistema di rilevamento delle cadute multimodale basato sui risultati ottenuti seguendo questa metodologia. Per l'adozione nel mondo reale, per l'apprendimento dei trasferimenti, la classificazione gerarchica e gli approcci di deep learning dovrebbero essere utilizzati per sviluppare sistemi più solidi. La nostra implementazione non ha preso in considerazione le metriche qualitative dei modelli di apprendimento automatico, ma le risorse di elaborazione in tempo reale e limitate devono essere prese in considerazione per l'ulteriore sviluppo della caduta umana e dei sistemi di rilevamento/riconoscimento delle attività. Infine, al fine di migliorare il nostro set di dati, inciampare o quasi cadere attività e monitoraggio in tempo reale dei volontari durante la loro vita quotidiana può essere considerato.

Dal momento che il fenomeno mondiale dell'invecchiamento della popolazione1, la prevalenza caduta è aumentata ed è in realtà considerato un grave problema di salute2. Quando si verifica una caduta, le persone richiedono un'attenzione immediata per ridurre le conseguenze negative. I sistemi di rilevamento delle cadute possono ridurre la quantità di tempo in cui una persona riceve un'attenzione medica inviando un avviso quando si verifica una caduta.
Ci sono varie categorizzazioni di sistemi di rilevamento delle cadute3. I primi lavori4 classificano i sistemi di rilevamento delle cadute con il loro metodo di rilevamento, metodi approssimativamente analitici e metodi di apprendimento automatico. Più recentemente, altri autori3,5,6 hanno considerato i sensori di acquisizione dei dati come la caratteristica principale per classificare i rilevatori di caduta. Igual et al.3 divide i sistemi di rilevamento delle cadute in sistemi consapevoli del contesto, che includono approcci basati su sensori di vista e ambientali e sistemi di dispositivi indossabili. Mubashir et al.5 classifica i rilevatori di caduta in tre gruppi basati sui dispositivi utilizzati per l'acquisizione dei dati: dispositivi indossabili, sensori di atmosfera e dispositivi basati sulla visione. Perry et al.6 prende in considerazione metodi per misurare l'accelerazione, metodi per misurare l'accelerazione combinati con altri metodi e metodi che non misurano l'accelerazione. Da queste indagini, possiamo determinare che sensori e metodi sono gli elementi principali per classificare la strategia di ricerca generale.
Ognuno dei sensori ha punti deboli e punti di forza discussi in Xu et al.7. Gli approcci basati sulla visione utilizzano principalmente telecamere normali, telecamere di sensori di profondità e/o sistemi di motion capture. Le normali telecamere web sono a basso costo e facili da usare, ma sono sensibili alle condizioni ambientali (variazione di luce, occlusione, ecc.), possono essere utilizzate solo in uno spazio ridotto e hanno problemi di privacy. Le videocamere di profondità, come il Kinect, forniscono movimento 3D a tutto corpo7 e sono meno influenzate dalle condizioni di illuminazione rispetto alle normali telecamere. Tuttavia, gli approcci basati sul Kinect non sono così robusti e affidabili. I sistemi di motion capture sono più costosi e difficili da usare.
Gli approcci basati su dispositivi accelerometro e smartphone/orologi con accelerometri incorporati sono molto comunemente utilizzati per il rilevamento delle cadute. Lo svantaggio principale di questi dispositivi è che devono essere indossati per lunghi periodi. Disagio, invadente, posizionamento del corpo e orientamento sono problemi di progettazione da risolvere in questi approcci. Anche se gli smartphone e gli orologi intelligenti sono dispositivi meno invadenti che sensori, le persone anziane spesso dimenticano o non sempre indossano questi dispositivi. Tuttavia, il vantaggio di questi sensori e dispositivi è che possono essere utilizzati in molte stanze e / o all'aperto.
Alcuni sistemi utilizzano sensori posizionati intorno all'ambiente per riconoscere cadute/attività, in modo che le persone non debbano indossare i sensori. Tuttavia, questi sensori sono anche limitati ai luoghi in cui sono distribuiti8 e a volte sono difficili da installare. Recentemente, i sistemi multimodali di rilevamento delle cadute includono diverse combinazioni di sensori di visione, indossabili e ambientali al fine di ottenere maggiore precisione e robustezza. Possono anche superare alcune delle limitazioni del singolo sensore.
La metodologia utilizzata per il rilevamento delle cadute è strettamente correlata alla catena di riconoscimento dell'attività umana (ARC) presentata da Bulling et al.9, che consiste in fasi per l'acquisizione dei dati, la pre-elaborazione e la segmentazione dei segnali, l'estrazione e la selezione delle caratteristiche, la formazione e la classificazione. I problemi di progettazione devono essere risolti per ognuna di queste fasi. In ogni fase vengono utilizzati metodi diversi.
Presentiamo una metodologia basata su sensori multimodali per configurare una caduta umana semplice, confortevole e veloce e un sistema di rilevamento/riconoscimento dell'attività umana. L'obiettivo è quello di costruire un sistema per il rilevamento accurato delle cadute che possa essere facilmente implementato e adottato. La nuova metodologia proposta si basa su ARC, ma aggiunge alcune fasi importanti per eseguire un'analisi approfondita dei seguenti problemi al fine di semplificare il sistema: (a) selezionare quali sensori o combinazioni di sensori devono essere utilizzati in un semplice sistema di rilevamento delle cadute; b) determinare il miglior posizionamento delle fonti di informazione ; e (c) selezionare il metodo di classificazione di apprendimento automatico più adatto per il rilevamento delle cadute e il riconoscimento dell'attività umana per creare un sistema semplice.
Ci sono alcune opere correlate in letteratura che affrontano uno o due dei problemi di progettazione di cui sopra, ma a nostra conoscenza, non c'è nessun lavoro che si concentra su una metodologia per superare tutti questi problemi.
Le opere correlate utilizzano approcci multimodali per il rilevamento delle cadute e il riconoscimento dell'attività umana10,11,12 al fine di ottenere robustezza e aumentare la precisione. Kwolek et al.10 ha proposto la progettazione e l'implementazione di un sistema di rilevamento delle cadute basato su dati accelerometrici e mappe di profondità. Hanno progettato un'interessante metodologia in cui viene implementato un accelerometro a tre assi per rilevare una potenziale caduta e il movimento della persona. Se la misura di accelerazione supera una soglia, l'algoritmo estrae una persona che differenzia la mappa di profondità dalla mappa di riferimento della profondità aggiornata online. Un'analisi delle combinazioni di profondità e accelerometro è stata effettuata utilizzando un classificatore di macchine vettoriali di supporto.
Ofli et al.11 ha presentato un database multimodale delle azioni umane (MHAD) al fine di fornire un banco di prova per i nuovi sistemi di riconoscimento delle attività umane. Il set di dati è importante poiché le azioni sono state raccolte simultaneamente utilizzando 1 sistema di motion capture ottico, 4 telecamere multi-vista, 1 sistema Kinect, 4 microfoni e 6 accelerometri wireless. Gli autori hanno presentato i risultati per ogni modalità: il Kinect, il mocap, l'accelerometro e l'audio.
Dovgan etal. 12 propose un prototipo per rilevare comportamenti anomali, comprese le cadute, negli anziani. Hanno progettato test per tre sistemi di sensori al fine di trovare l'attrezzatura più appropriata per il rilevamento delle cadute e del comportamento insolito. Il primo esperimento consiste di dati provenienti da un sistema di sensori intelligenti con 12 tag attaccati ai fianchi, alle ginocchia, alle caviglie, ai polsi, ai gomiti e alle spalle. Hanno anche creato un set di dati di test utilizzando un sistema di sensori Ubisense con quattro tag attaccati alla vita, al torace e alle due caviglie e un accelerometro Xsens. In un terzo esperimento, quattro soggetti utilizzano solo il sistema Ubisense durante l'esecuzione di 4 tipi di cadute, 4 problemi di salute come comportamento anomalo e diverse attività della vita quotidiana (ADL).
Altri lavori nella letteratura13,14,15 affrontare il problema di trovare il miglior posizionamento di sensori o dispositivi per il rilevamento delle cadute confrontando le prestazioni di varie combinazioni di sensori con diversi classificatori. Santoyo et al.13 ha presentato una valutazione sistematica valutando l'importanza della posizione di 5 sensori per il rilevamento delle cadute. Hanno confrontato le prestazioni di queste combinazioni di sensori utilizzando i vicini k-nearest (KNN), le macchine vettoriali di supporto (SVM), le baie ingenue (NB) e i classificatori di alberi delle decisioni (DT). Essi concludono che la posizione del sensore sul soggetto ha un'influenza importante sulle prestazioni del rilevatore di caduta indipendentemente dal classificatore utilizzato.
Il confronto dei posizionamenti dei sensori indossabili sul corpo per il rilevamento delle cadute è stato presentato da zdemir14. Al fine di determinare il posizionamento del sensore, l'autore ha analizzato 31 combinazioni di sensori delle seguenti posizioni: testa, vita, petto, polso destro, caviglia destra e coscia destra. Quattordici volontari hanno eseguito 20 cadute simulate e 16 ADL. Ha scoperto che le migliori prestazioni sono state ottenute quando un singolo sensore è posizionato sulla vita da questi esperimenti di combinazione esaustivi. Un altro confronto è stato presentato da Ntanasis15 utilizzando il set di dati di zzdemir. Gli autori hanno confrontato singole posizioni su testa, petto, vita, polso, caviglia e coscia utilizzando i seguenti classificatori: J48, KNN, RF, random committee (RC) e SVM.
I benchmark delle prestazioni dei diversi metodi computazionali per il rilevamento delle cadute si trovano anche nella letteratura16,17,18. Bagala et al.16 ha presentato un confronto sistematico per confrontare le prestazioni di tredici metodi di rilevamento autunnali testati su cadute reali. Hanno preso in considerazione solo gli algoritmi basati sulle misurazioni dell'accelerometro posizionate sulla vita o sul tronco. 17 Bourke17 et al. Kerdegari18 ha fatto anche un confronto delle prestazioni di diversi modelli di classificazione per una serie di dati di accelerazione registrati. Gli algoritmi utilizzati per il rilevamento delle cadute erano zeroR, oneR, NB, DT, perceptron multistrato e SVM.
Una metodologia per il rilevamento delle cadute è stata proposta da Alazrai et al.18 utilizzando il descrittore geometrico di posa del movimento per costruire una rappresentazione accumulata dell'istogramma dell'attività umana. Hanno valutato il framework utilizzando un set di dati raccolto con sensori Kinect.
In sintesi, abbiamo trovato il rilevamento multimodale delle cadute relative alle opere10,11,12 che confrontano le prestazioni di diverse combinazioni di modalità. Alcuni autori affrontano il problema di trovare il miglior posizionamento dei sensori13,,14,,15,o combinazioni di sensori13 con diversi classificatori13,15,16 con più sensori della stessa modalità e accelerometri. Nella letteratura non è stato trovato alcun lavoro che affrontasse il posizionamento, le combinazioni multimodali e il benchmark del classificatore allo stesso tempo.

<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

Questo documento presenta una metodologia basata su sensori multimodali per configurare un sistema di rilevamento delle cadute semplice, confortevole e veloce e un sistema di riconoscimento dell'attività umana che può essere facilmente implementato e adottato. La metodologia si basa sulla configurazione di tipi specifici di sensori, metodi e procedure di apprendimento automatico. Il protocollo è suddiviso in quattro fasi: (1) creazione di database (2) semplificazione del sistema (3) e (4) valutazione. Utilizzando questa metodologia, abbiamo creato un database multimodale per il rilevamento delle cadute e il riconoscimento dell'attività umana, vale a dire UP-Fall Detection. Comprende campioni di dati di 17 soggetti che eseguono 5 tipi di cadute e 6 diverse attività semplici, durante 3 prove. Tutte le informazioni sono state raccolte utilizzando 5 sensori indossabili (accelerometro a tre assi, giroscopio e intensità della luce), 1 casco elettroencefalografo, 6 sensori a infrarossi come sensori ambientali e 2 telecamere nei punti di vista laterali e anteriori. La nuova metodologia proposta aggiunge alcune fasi importanti per eseguire un'analisi approfondita dei seguenti problemi di progettazione al fine di semplificare un sistema di rilevamento delle cadute: a) selezionare quali sensori o combinazione di sensori devono essere utilizzati in un semplice sistema di rilevamento delle cadute, b) determinare il miglior posizionamento delle fonti di informazione, e c) selezionare il metodo di classificazione di apprendimento automatico più adatto per la caduta e il rilevamento e il riconoscimento dell'attività umana. Anche se alcuni approcci multimodali riportati in letteratura si concentrano solo su uno o due dei problemi di cui sopra, la nostra metodologia consente di risolvere contemporaneamente questi tre problemi di progettazione relativi a una caduta umana e al sistema di rilevamento e riconoscimento dell'attività.

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

Presentiamo una metodologia basata su sensori multimodali per configurare un sistema di rilevamento delle cadute semplice, comodo e veloce e di riconoscimento dell'attività umana. L'obiettivo è quello di costruire un sistema per il rilevamento accurato delle cadute che possa essere facilmente implementato e adottato.

Progettazione e analisi per la semplificazione del sistema di rilevamento delle cadute

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

La nostra metodologia aggiunge fasi importanti, selezione della combinazione di sensori, posizionamento e classificazione, per semplificare il sistema di rilevamento delle cadute con un'analisi approfondita. Ci sono lavori precedenti che affrontano alcuni problemi di progettazione del rilevamento delle cadute, ma non c'è lavoro che si concentri sulla metodologia olistica per superare tutti questi problemi. Questa metodologia può essere utilizzata anche per il riconoscimento dell'attività umana nella vita assistita, nella valutazione delle prestazioni sportive, nella fisioterapia e nelle applicazioni riabilitativa.Quando viene creato un set di dati, possono sorgere problemi dovuti alla sincronizzazione, all'organizzazione e all'incoerenza dei dati. Si dovrebbe prendere in considerazione un compromesso tra una stima accurata e la complessità del modello. A dimostrare la procedura saranno Jose Pablo Nunez Martinez, un assistente di ricerca, e Sofia Pacheco Ibanez, studentessa di ingegneria universitaria del nostro laboratorio.Inizia impostando il sistema di acquisizione dei dati per facilitare la raccolta e l'archiviazione dei dati degli soggetti. Selezionare i tipi di sensori indossabili, sensori ambientali e dispositivi basati sulla visione richiesti come fonti di informazione e assegnare un ID per ogni fonte di informazioni, il numero di canali per fonte, le specifiche tecniche e la frequenza di campionamento di ciascuno di essi. Per connettere tutte le fonti di informazioni a un computer centrale o a un computer distribuito, verificare innanzitutto che i dispositivi basati su filo siano collegati correttamente a un singolo computer client e verificare che i dispositivi basati su wireless siano completamente caricati.Per configurare ogni dispositivo per recuperare i dati, impostare il sistema di acquisizione dati per consentire l'archiviazione dei dati nel cloud e verificare che il sistema di acquisizione dati soddisfi le proprietà appropriate di sincronizzazione e coerenza dei dati. Assicurati di verificare che tutti i sensori acquisiscano dati in modo coerente e simultaneo e di includere etichette per identificare l'attività e i tratti del soggetto. Raccogliere dati di esempio con i dispositivi e archiviare i dati in un sistema preferito.Eseguire una query nel database e determinare se tutte le origini di informazioni vengono raccolte alle stesse velocità di campionamento. Dopo aver considerato le condizioni richieste nelle restrizioni imposte dall'obiettivo del sistema, impostare l'ambiente di prova posizionando un materasso o qualsiasi altro sistema di pavimentazione conforme al centro dell'ambiente per garantire la sicurezza dei partecipanti. Tenere gli oggetti ad almeno un metro di distanza dal materasso e preparare tutti i dispositivi di protezione individuale necessari per i partecipanti.Quindi impostare le telecamere appropriate e accoppiare i sensori a infrarossi intorno al materasso come illustrato. Definire l'obiettivo del sistema di rilevamento delle cadute e di riconoscimento dell'attività umana su una scheda di pianificazione e definire la popolazione target dell'esperimento in base all'obiettivo del sistema. Definisci il tipo di attività quotidiane, incluse alcune attività non autunnali che sembrano cadute per migliorare il rilevamento reale delle cadute.Assegnare un ID per ogni attività e descrivere le attività nel modo più dettagliato possibile. Impostare quindi il periodo di tempo per ogni attività da eseguire. Definire il tipo di cadute umane e assegnare un ID e descrivere ogni caduta per ogni attività insieme al periodo di tempo per ogni caduta da eseguire.Considera se le cascate saranno autogenerata dai soggetti o generata da altri e scrivi queste informazioni nella scheda di pianificazione. Per raccogliere i dati di attività e caduta, posizionare i dispositivi di registrazione sull'argomento come illustrato. Quando il soggetto è pronto, sotto la supervisione di un esperto clinico o di un ricercatore responsabile, avviare la raccolta dei dati nel sistema di acquisizione dati e chiedere al soggetto di eseguire le sequenze di attività e cadute delineate nella scheda di pianificazione risparmiando i timestamp dell'inizio e della fine di ogni attività o caduta.Verificare che i dati di tutte le origini di informazioni siano salvati nel cloud dopo ogni attività o caduta. Per analizzare l'attività raccolta e i dati di caduta, utilizzare il set di dati delle funzionalità per ogni metodo di machine learning per eseguire una convalida incrociata K-fold. Utilizzare una metrica comune di valutazione come l'accuratezza per selezionare il modello migliore sottoposto a training per metodo.Aprire quindi il set di dati delle funzionalità di training nel software del linguaggio di programmazione preferito e utilizzare la libreria pandas per leggere un file CSV come indicato. Dividere il set di dati delle funzionalità in coppie di input/output come indicato. Selezionare un metodo di machine learning e impostare i parametri.Addestrare il modello di machine learning e calcolare i valori di stima del modello utilizzando il set di dati delle funzionalità di test. Ripetere la convalida incrociata K-fold del numero di volte in cui K viene specificato nella convalida incrociata K-fold per ogni modello di machine learning selezionato. Selezionare i posizionamenti adatti nell'approccio multimodale se è necessaria una combinazione di due o più fonti di informazione per il sistema e selezionare la migliore fonte di informazioni per ogni modalità del sistema.Creare un set di dati di funzionalità combinato utilizzando i set di dati indipendenti di queste origini di informazioni e selezionare il metodo di classificazione dell'apprendimento automatico. Addestrare un modello per queste origini combinate di informazioni e ripetere la convalida utilizzando il set di dati di funzionalità combinato. Quindi preparare un nuovo set di dati con i soggetti in condizioni più realistiche utilizzando solo le fonti di informazione selezionate nell'analisi precedente.La rappresentazione grafica delle migliori prestazioni ottenute per ogni modalità a seconda del modello di machine learning e della migliore configurazione della lunghezza della finestra illustra chiaramente che gli approcci multimodali ottengono i migliori valori di punteggio F1 rispetto ad alcuni approcci unimodali. Sebbene in particolare utilizzando solo sensori indossabili, è possibile ottenere prestazioni simili a un approccio multimodale. In termini di benchmark dei modelli basati sui dati, la foresta casuale presenta i migliori risultati in quasi tutti gli esperimenti, mentre il percettore multistrato e le macchine vettoriali di supporto non sono molto coerenti nelle prestazioni.Le migliori prestazioni si ottengono quando un singolo sensore viene utilizzato in vita, collo o tasca destra stretta. I sensori indossabili alla caviglia e al polso sinistro hanno funzionato peggio. Inoltre, i sensori della vita, del collo e della tasca destra stretti con classificatore foreste casuali in una dimensione della finestra di tre secondi con sovrapposizione del 50% sono i sensori indossabili più adatti per il rilevamento delle cadute.La telecamera di visualizzazione laterale esegue il miglior rilevamento delle cadute e la migliore posizione della fotocamera si trova in un punto di vista laterale utilizzando una foresta casuale in una dimensione della finestra di tre secondi e sovrapposta al 50%. Inoltre, il classificatore di modelli forestali casuali dimostra le migliori prestazioni in termini di precisione e punteggio F1 sia nelle multimosabilità che nella combinazione tra la vita e la fotocamera, si posiziona in prima posizione. Nei nostri esperimenti, abbiamo reclutato giovani senza menomazioni, ma dovrebbero essere selezionati soggetti che si allineano con l'obiettivo del sistema e la popolazione target utilizzando il sistema.Semplici sistemi di rilevamento delle cadute multimodali possono essere progettati e implementati sulla base di questa metodologia. Per l'adattamento nel mondo reale, l'apprendimento dei trasferimenti e gli approcci di deep learning sono raccomandati per lo sviluppo di sistemi robusti.

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

Seta Film per la cultura del sistema In vitro Analisi e Progettazione Biomaterial

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

Ricerca

Bioingegneria

Bacterial Detection &amp; Identification Using Electrochemical Sensors

Bacterial Detection & Identification Using Electrochemical Sensors

Rilevamento e identificazione batterica Utilizzando Sensori elettrochimici

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

Analisi sistematica delle<em&gt; In Vitro</em&gt; Cella rotolamento Utilizzando un piatto multi-ben Sistema Microfluidic

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

Automatizzato robot Liquid Handling Assembly di dispositivi modulari del DNA

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

Progettazione e Realizzazione di un Illuminating automatizzato, Coltura, e di campionamento per microbica optogenetic Applicazioni

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

Metodo e instrumentata apparecchio per prove di frattura femorale in posizione di caduta-in-the-Hop lateralmente

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

Progettazione e sintesi di un Rack di fisarmonica di DNA riconfigurabile

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

Caratterizzazioni biassiale meccaniche delle valvole atrioventricolari cuore

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

Dispositivi elettrici e a campo magnetico per la stimolazione dei tessuti biologici

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