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

Denne forskningen har blitt finansiert av Universidad Panamericana gjennom stipendet "Fomento a la Investigación UP 2018", under prosjektkoden UP-CI-2018-ING-MX-04.

Alle metoder beskrevet her har blitt godkjent av forskningskomiteen ved School of Engineering of Universidad Panamericana.
MERK: Denne metodikken er basert på konfigurasjonen av de spesifikke typer sensorer, maskinlæringsmetoder og prosedyrer for å konfigurere et enkelt, raskt og multimodal falldeteksjon sjonssystem og menneskelig aktivitetsgjenkjenningssystem. På grunn av dette er følgende protokoll delt i faser: (1) databaseoppretting (2) dataanalyse (3) systemforenkling og (4) evaluering.
1. Oppretting av database
<ol><li>Definere datainnsamlingssystemet. Dette vil samle inn alle data fra og lagre informasjonen i en gjenfinningsdatabase.<ol>
<li>Velg hvilke typer bærbare sensorer, omgivelsessensorer og synsbaserte enheter som kreves som informasjonskilder. Tilordne en ID for hver informasjonskilde, antall kanaler per kilde, tekniske spesifikasjoner og samplingsfrekvensen for hver av dem.</li>
		<li>Koble alle informasjonskilder (dvs. bærbare enheter og omgivelsessensorer og synsbaserte enheter) til en sentral datamaskin eller et distribuert datasystem:<ol>
<li>Kontroller at kablede enheter er riktig koblet til én klientdatamaskin. Kontroller at trådløse enheter er fulladet. Tenk på at lavt batteri nivå kan påvirke trådløse tilkoblinger eller sensorverdier. Videre vil periodiske eller tapte tilkoblinger øke tap av data.</li>
		</ol>
</li>
		<li>Konfigurer hver av enhetene for å hente data.</li>
		<li>Definer datainnsamlingssystemet for lagring av data i skyen. På grunn av den store mengden data som skal lagres, vurderes cloud computing i denne protokollen.</li>
		<li>Valider at datainnsamlingssystemet oppfyller datasynkronisering og datakonsekvens20 egenskaper. Dette opprettholder integriteten til datalagring fra alle informasjonskildene. Det kan kreve nye tilnærminger i datasynkronisering. For eksempel, se Peñafort-Asturiano et al.20.<ol>
<li>Begynn å samle inn noen data med kildene til informasjon og lagre data i et foretrukket system. Inkluder tidsstempler i alle data.</li>
			<li>Spør databasen og finn ut om alle informasjonskilder samles inn med de samme eksempelfrekvensene. Hvis det gjøres riktig, går du til trinn 1.1.6. Ellers kan du utføre oppsampling eller nedprøvetaking ved hjelp av kriterier rapportert i Peñafort-Asturiano, et al.20.</li>
		</ol>
</li>
		<li>Sett opp miljøet (eller laboratoriet) ved å vurdere betingelsene som kreves og begrensningene som er pålagt av systemets mål. Angi betingelser for slagkraftdempering i de simulerte fallene som kompatible gulvsystemer foreslått i Lachance, et al.23 for å sikre deltakernes sikkerhet.<ol>
<li>Bruk en eller et annet kompatibelt gulvsystem og plasser den i midten av miljøet (eller laboratoriet).</li>
			<li>Hold alle gjenstander unna for å gi minst en meter trygg plass rundt. Om nødvendig må du forberede personlig verneutstyr for deltakere (f.eks. hansker, hette, vernebriller, knestøtte osv.). MERK: Protokollen kan settes på pause her.</li>
		</ol>
</li>
	</ol></li>
	<li>Bestem de menneskelige aktivitetene og faller som systemet vil oppdage etter konfigurasjon. Det er viktig å ha i tankene formålet med høsten deteksjon og menneskelig aktivitet anerkjennelse system, samt målet befolkningen.<ol>
<li>Definer målet for falldeteksjons- og systemet for gjenkjenning av menneskelig aktivitet. Skriv det ned i et planleggingsark. For denne case-studien er målet å klassifisere hvilke typer menneskelige fall og aktiviteter som utføres på en innendørs daglig basis av eldre mennesker.</li>
		<li>Definer målpopulasjonen av eksperimentet i samsvar med målet for systemet. Skriv det ned i planleggingsarket. I studien, vurdere eldre mennesker som målgruppen.</li>
		<li>Bestem hvilken type daglige aktiviteter. Inkluder noen ikke-fall aktiviteter som ser ut som fall for å forbedre ekte fall deteksjon. Tilordne en ID for dem alle og beskrive dem så detaljert som mulig. Angi tidsperioden for hver aktivitet som skal utføres. Skriv ned all denne informasjonen i planleggingsarket.</li>
		<li>Bestem hvilken type menneskelige fall. Tilordne en ID for dem alle og beskrive dem så detaljert som mulig. Angi tidsperioden for hvert fall som skal utføres . Vurder om fallene vil bli selvgenerert av fagene eller generert av andre (f.eks. skyve motivet). Skriv ned all denne informasjonen i planleggingsarket.</li>
		<li>Skriv ned aktivitetssekvensene i planleggingsarket, og faller som et emne skal utføre. Angi tidsperioden, antall studier per aktivitet/fall, beskrivelsen for å utføre aktiviteten/fallet og aktivitets-/fall-IDene. MERK: Protokollen kan settes på pause her.</li>
	</ol></li>
	<li>Velg de relevante fagene i studien som skal utføre sekvensene av aktiviteter og fall. Fall er sjeldne hendelser å fange i det virkelige liv og vanligvis forekommer til gamle personer. Av sikkerhetsmessige årsaker inkluderer de ikke eldre og nedsatte personer i høstsimulering under medisinsk rådgivning. Stunts har blitt brukt til å unngå skader22.<ol>
<li>Bestem kjønn, aldersgruppe, vekt og høyde på fagene. Definer eventuelle forringelsesbetingelser som kreves. Definer også minimum antall emner som kreves for eksperimentet.</li>
		<li>Velg tilfeldig settet med forsøkspersoner som kreves, etter betingelsene som er angitt i forrige trinn. Bruk en oppfordring til frivillige til å rekruttere dem. Oppfylle alle etiske retningslinjer som gjelder fra institusjonen og landet, samt enhver internasjonal regulering når du eksperimenterer med mennesker. MERK: Protokollen kan settes på pause her.</li>
	</ol></li>
	<li>Hent og lagre data fra emner. Denne informasjonen vil være nyttig for videre eksperimentell analyse. Fullfør følgende trinn under veiledning av en klinisk ekspert eller en ansvarlig forsker.<ol>
<li>Begynn å samle inn data med datainnsamlingssystemet som er konfigurert i trinn 1.1.</li>
		<li>Be hvert av fagene om å utføre sekvensene av aktiviteter og faller erklært i trinn 1.2. Lagre tydelig tidsstemplene for start og slutten av hver aktivitet/fall. Kontroller at data fra alle informasjonskilder lagres i skyen.</li>
		<li>Hvis aktivitetene ikke ble gjort riktig eller det var problemer med enheter (f.eks. mistet tilkobling, lavt batterinivå, intermitterende tilkobling), forkast prøvene og gjenta trinn 1.4.1 til ingen enhetsproblemer er funnet. Gjenta trinn 1.4.2 for hver prøve, per emne, deklarert i sekvensen av trinn 1.2. MERK: Protokollen kan settes på pause her.</li>
	</ol></li>
	<li>Forhåndsbehandle alle data som er anskaffet. Bruk oppsampling og nedsampling for hver av informasjonskildene. Se detaljer om forhåndsbehandling av data for høstdeteksjon og menneskelig aktivitetsgjenkjenning i Martínez-Villaseñor et al.21. MERK: Protokollen kan settes på pause her.</li>
</ol>2. Dataanalyse
<ol><li>Velg modusfor databehandling. Velg Rådatdata hvis dataene som er lagret i databasen, skal brukes direkte (dvs. ved hjelp av dyp læring for automatisk funksjonsutvinning) og gå til trinn 2.2. Velg Funksjonsdata hvis funksjonsutpakking vil bli brukt til videre analyse og gå til trinn 2.3.</li>
	<li>For rådataer det ikke nødvendig med ekstra trinn, så gå til trinn 2.5.</li>
	<li>For funksjonsdatatrekker du ut funksjoner fra rådata.<ol>
<li>Segmenter rådata i tidsvinduer. Bestem og løs tidsvinduslengden (f.eks. rammer av ett sekunds størrelse). I tillegg kan du finne ut om disse tidsvinduene overlapper eller ikke. En god praksis er å velge 50% overlappende.</li>
		<li>Trekk ut funksjoner fra hvert segment av data. Bestem settet med temporale og hyppige funksjoner som skal trekkes ut fra segmentene. Se Martínez-Villaseñor et al.21 for felles trekkutvinning.</li>
		<li>Lagre funksjonsuttrekksdatasettet i skyen, i en uavhengig database.</li>
		<li>Hvis forskjellige tidsvinduer velges, gjentar du trinn 2.3.1 til 2.3.3 og lagrer hvert funksjonsdatasett i uavhengige databaser. MERK: Protokollen kan settes på pause her.</li>
	</ol></li>
	<li>Velg de viktigste funksjonene som er hentet ut, og reduser funksjonsdatasettet. Bruk noen vanlige funksjonsvalgmetoder (f.eks., univariate utvalg, hovedkomponenter analyse, rekursiv funksjon eliminering, funksjonsviktighet, korrelasjonmatrise, etc.).<ol>
<li>Velg en metode for valg av funksjoner. Her brukte vi funksjonsviktighet.</li>
		<li>Bruk hver funksjon til å trene en gitt modell (vi brukte RF) og måle nøyaktigheten (se Formel 1).</li>
		<li>Ranger funksjonene ved å sortere i rekkefølge av nøyaktigheten.</li>
		<li>Velg de viktigste funksjonene. Her brukte vi de best rangerte første ti funksjonene. MERK: Protokollen kan settes på pause her.</li>
	</ol></li>
	<li>Velg en maskinlæringsklassifiseringsmetode og tog en modell. Det finnes kjente maskinlæringsmetoder16,17,18,21, for eksempel støttevektormaskiner (SVM), tilfeldig skog (RF), flerlags perceptron (MLP) og k-nærmeste naboer (KNN), blant mange andre.<ol><li>Eventuelt, hvis en dyp læringstilnærming er valgt, bør du vurdere21:convolutional neural networks (CNN), langsiktige minne nevrale nettverk (LSTM), blant andre.</li>
		<li>Velg et sett med maskinlæringsmetoder. Her brukte vi følgende metoder: SVM, RF, MLP og KNN.</li>
		<li>Løs parametrene for hver av maskinlæringsmetodene, som foreslått i litteratur21.</li>
		<li>Opprett et kombinert funksjonsdatasett (eller rådatdatasett) ved hjelp av de uavhengige funksjonsdatasettene (eller rådatasettene), for å kombinere informasjonskilder. Hvis en kombinasjon av én bærbar sensor og ett kamera for eksempel er nødvendig, kan du kombinere funksjonsdatasettene fra hver av disse kildene.</li>
		<li>Del funksjonsdatasettet (eller rådatdatasettet) i trenings- og testsett. Et godt valg er å tilfeldig dele 70% for trening og 30% for testing.</li>
		<li>Kjør en k-fold kryssvalidering21 ved hjelp av funksjonsdatasettet (eller rådatdatasettet), for hver maskinlæringsmetode. Bruk en vanlig evalueringsberegning, for eksempel nøyaktighet (se Formel 1)til å velge den beste modellen som er opplært per metode. Leave-one subject-out (LOSO) eksperimenter3 er også anbefalt.<ol>
<li>Åpne datasettet for treningsfunksjonen (eller rådatasettet) i foretrukket programmeringsspråkprogramvare. Python anbefales. For dette trinnet bruker du pandaer biblioteket til å lese en CSV-fil som følger: training_set = pandaer.csv(<filnavn.csv>).
</li>
			<li>Del funksjonsdatasettet (eller rådatasettet) i par av innganger. Bruk for eksempel Python til å deklarere x-verdiene (innganger) og y-verdiene (utganger): training_set_X = training_set.drop('tag',axis=1), training_set_Y = training_set.tag der taggen representerer kolonnen i funksjonsdatasettet som inneholder målverdiene.</li>
			<li>Velg én maskinlæringsmetode, og angi parameterne. Bruk for eksempel SVM i Python med biblioteket sklearn som følgende kommando: classifier = sklearn. SVC(kjerne = 'poly') der kjernefunksjonen er valgt som polynom.</li>
			<li>Tren maskinlæringsmodellen. Bruk for eksempel den ovennevnte klassifikatoren i Python til å trene SVM-modellen: classifier.fit (training_set_X,training_set_Y).</li>
			<li>Beregn estimatverdiene for modellen ved hjelp av datasettet for testfunksjonen (eller rådatasettet). Bruk for eksempel estimatfunksjonen i Python som følger: estimater = classifier.predict(testing_set_X) der testing_set_X representerer x-verdiene for testsettet.</li>
			<li>Gjenta trinn 2.5.6.1 til 2.5.6.5, antall ganger k angitt i k-fold kryssvalidering (eller antall ganger som kreves for LOSO-tilnærmingen).</li>
			<li>Gjenta trinn 2.5.6.1 til 2.5.6.6 for hver maskinlæringsmodell som er valgt. MERK: Protokollen kan settes på pause her.</li>
		</ol></li>
		<li>Sammenlign maskinlæringsmetodene ved å teste de valgte modellene med testdatasettet. Andre beregninger av evaluering kan brukes: nøyaktighet (Ligning 1), presisjon (Ligning 2), følsomhet ( Ligning3), spesifisitet (Ligning 4) eller F1-score (Ligning 5), hvor TP er de sanne positive, TN er de sanne negativene, FP er de falske positive og FN er de falske negativene. <img alt="Equation 1" src="/files/ftp_upload/60361/60361equ01.jpg"> <img alt="Equation 2" src="/files/ftp_upload/60361/60361equ02.jpg"> <img alt="Equation 3" src="/files/ftp_upload/60361/60361equ03.jpg"> <img alt="Equation 4" src="/files/ftp_upload/60361/60361equ04.jpg"> <img alt="Equation 5" src="/files/ftp_upload/60361/60361equ05.jpg"></li>
		<li>Bruk andre nyttige ytelsesberegninger som forvirringsmatrisen9 til å evaluere klassifiseringsoppgaven til maskinlæringsmodellene, eller en beslutningsuavhengig presisjonstilbakekalling9 (PR) eller mottaker som opererer karakteristiske9 (ROC) kurver. I denne metodikken anses tilbakekalling og følsomhet som tilsvarende.</li>
		<li>Bruk kvalitative egenskaper i maskinlæringsmodellene for å sammenligne mellom dem, for eksempel: enkel maskinlæringstolkning; sanntidsytelse; begrensede ressurser av tid, minne og behandling databehandling; og enkel maskinlæringsdistribusjon i kantenheter eller innebygde systemer.</li>
		<li>Velg den beste maskinlæringsmodellen ved hjelp av informasjonen fra: Kvalitetsberegningene (Ligninger 1–5), ytelsesberegningene og de kvalitative funksjonene i maskinlæring i trinn 2.5.6, 2.5.7 og 2.5.8. MERK: Protokollen kan settes på pause her.</li>
	</ol></li>
</ol>3. Systemforenkling
<ol><li>Velg de egnede plasseringene av informasjonskilder. Noen ganger er det nødvendig å bestemme den beste plasseringen av informasjonskilder (f.eks. hvilken plassering av en bærbar sensor er bedre).<ol>
<li>Bestem delsettet av informasjonskilder som skal analyseres. For eksempel, hvis det er fem bærbare sensorer i kroppen og bare en må velges som den beste sensoren plassert, vil hver av disse sensorene være en del av undergruppen.</li>
		<li>For hver informasjonskilde i dette delsettet oppretter du et eget datasett og lagrer det separat. Husk at dette datasettet kan være det forrige funksjonsdatasettet eller rådatasettet. MERK: Protokollen kan settes på pause her.</li>
	</ol>
</li>
	<li>Velg en maskinlæringsklassifiseringsmetode og tren en modell for én kilde til informasjonsplassering. Fullstendige trinn fra 2.5.1 til 2.5.6 ved hjelp av hvert av datasettene som er opprettet i trinn 3.1.2. Oppdag den mest passende kilden til informasjonsplassering ved rangering. For denne case-studien bruker vi følgende metoder: SVM, RF, MLP og KNN. Merk: Protokollen kan settes på pause her.</li>
	<li>Velg de egnede plasseringene i en multimodal tilnærming hvis det kreves en kombinasjon av to eller flere informasjonskilder for systemet (f.eks. kombinasjon av en bærbar sensor og ett kamera). I dette tilfellet studien, bruk midje-wearable sensor og kamera 1 (lateral visning) som modaliteter.<ol>
<li>Velg den beste informasjonskilden for hver modalitet i systemet, og opprett et kombinert funksjonsdatasett (eller rådatdatasett) ved hjelp av de uavhengige datasettene for disse informasjonskildene.</li>
		<li>Velg en maskinlæringsklassifiseringsmetode og tog en modell for disse kombinerte informasjonskildene. Fullfør trinn 2.5.1 til 2.5.6 ved hjelp av det kombinerte funksjonsdatasettet (eller rådatasettet). I denne studien bruker du følgende metoder: SVM, RF, MLP og KNN. MERK: Protokollen kan settes på pause her.</li>
	</ol>
</li>
</ol>4. Evaluering
<ol><li>Forbered et nytt datasett med brukere under mer realistiske forhold. Bruk bare informasjonskildene som er valgt i forrige trinn. Fortrinnsvis, implementere systemet i målgruppen (f.eks eldre mennesker). Samle inn data i lengre perioder.<ol>
<li>Eventuelt hvis målgruppen bare brukes, opprett en utvalgsgruppeprotokoll, inkludert vilkårene for utelukkelse (f.eks. fysisk eller psykisk svekkelse) og stopp kriterier forebygging (f.eks. oppdage eventuelle fysiske skader under forsøkene; lider kvalme, svimmelhet og / eller oppkast; besvimelse). Vurder også etiske bekymringer og personvernspørsmål.</li>
	</ol>
</li>
	<li>Evaluer ytelsen til høstdeteksjonen og det utviklede systemet for menneskelig aktivitetsgjenkjenning så langt. Bruk Formel1–5 til å bestemme nøyaktigheten og den prediktive kraften i systemet eller andre ytelsesberegninger.</li>
	<li>Diskuter om funnene på de eksperimentelle resultatene.</li>
</ol>

<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>

Forfatterne har ingenting å avsløre.

Det er vanlig å støte på utfordringer på grunn av synkronisering, organisering og datainkonsekvensproblemer20 når et datasett opprettes.
Synkronisering I innhentingav data oppstår synkroniseringsproblemer gitt at flere sensorer vanligvis fungerer med forskjellige samplingsfrekvenser. Sensorer med høyere frekvenser samler inn mer data enn de med lavere frekvenser. Data fra forskjellige kilder vil derfor ikke bli paret riktig. Selv om sensorer kjører med samme samplingsfrekvens, er det mulig at data ikke vil bli justert. I denne forbindelse kan følgende anbefalinger bidra til å håndtere disse synkroniseringsproblemene20: (i) registrere tidsstempel, emne, aktivitet og prøveversjon i hvert datautvalg hentet fra sensorene; (ii) den mest konsekvente og mindre hyppige informasjonskilden må brukes som referansesignal for synkronisering; og (iii) bruke automatiske eller halvautomatiske prosedyrer for å synkronisere videoopptak som manuell inspeksjon ville være upraktisk.
Forhåndsbehandling av data Data forhåndsbehandling må også gjøres, og kritiske beslutninger påvirker denne prosessen: (a) bestemme metodene for datalagring og datarepresentasjon av flere og heterogene kilder (b) bestemme hvordan du lagrer data i den lokale verten eller på skyen (c) velge organisering av data, inkludert filnavn og mapper (d) håndtere manglende verdier av data samt redundans som finnes i sensorene , blant andre. I tillegg anbefales lokal bufring for dataskyen når det er mulig for å redusere tap av data ved opplastingstidspunktet.
Datainkonsekvens Datainkonsekvens er vanlig mellom studier som finner variasjoner i datautvalgsstørrelser. Disse problemene er relatert til datainnsamling i bærbare sensorer. Korte avbrudd av datainnsamling og datakollisjon fra flere sensorer fører til datainkonsekvenser. I slike tilfeller er inkonsekvensdeteksjonsalgoritmer viktige for å håndtere feil på nettet i sensorer. Det er viktig å understreke at trådløse enheter bør overvåkes ofte gjennom hele eksperimentet. Lavt batterinivå kan påvirke tilkoblingen og føre til tap av data.
Etiske Samtykke til å delta og etisk godkjenning er obligatorisk i alle typer eksperimentering der folk er involvert.
Når det gjelder begrensningene i denne metodikken, er det viktig å legge merke til at den er utformet for tilnærminger som vurderer ulike modaliteter for datainnsamling. Systemene kan omfatte bærbare, omgivelses- og/eller synssensorer. Det anbefales å vurdere strømforbruket til enheter og levetiden til batterier i trådløse sensorer, på grunn av problemer som tap av datainnsamling, avtagende tilkobling og strømforbruk i hele systemet. Videre er denne metoden ment for systemer som bruker maskinlæringsmetoder. En analyse av utvalget av disse maskinlæringsmodellene bør gjøres på forhånd. Noen av disse modellene kan være nøyaktige, men svært tid og energikrevende. En avveining mellom nøyaktig estimering og begrenset ressurstilgjengelighet for databehandling i maskinlæringsmodeller må tas i betraktning. Det er også viktig å observere at i datainnsamling av systemet ble aktivitetene utført i samme rekkefølge; også, studier ble utført i samme rekkefølge. Av sikkerhetsmessige årsaker ble en beskyttende brukt til forsøkspersoner å falle på. I tillegg ble fallene selvinitiert. Dette er en viktig forskjell mellom simulerte og virkelige fall, som vanligvis forekommer mot harde materialer. I den forstand faller dette datasettet registrert med en intuitiv reaksjon som prøver å ikke falle. Videre er det noen forskjeller mellom reelle fall hos eldre eller svekkede mennesker og simuleringen faller; og disse må tas i betraktning når du utformer et nytt falldeteksjonssystem. Denne studien var fokusert på unge mennesker uten nedsatt funksjonsevne, men det er bemerkelsesverdig å si at valg av bør justeres til målet med systemet og målgruppen som vil bruke det.
Fra de relaterte verkene beskrevet ovenfor10,11,12,13,1414,15,16,17,18, kan vi observere at det er forfattere som bruker multimodal tilnærminger med fokus på å oppnå robuste falldetektorer eller fokus på plassering eller ytelse av klassifikatoren. Derfor tar de bare opp ett eller to av designproblemene for falldeteksjon. Vår metodikk gjør det mulig å løse samtidig tre av de viktigste designproblemene i et falldeteksjonssystem.
For fremtidig arbeid foreslår vi å designe og implementere et enkelt multimodal falldeteksjonssystem basert på funnene som er oppnådd etter denne metodikken. For virkelige innføring, overføring læring, hierarkisk klassifisering og dyp læring tilnærminger bør brukes til å utvikle mer robuste systemer. Implementeringen vår vurderte ikke kvalitative beregninger av maskinlæringsmodellene, men sanntids- og begrensede databehandlingsressurser må tas i betraktning for videre utvikling av menneskelige fall- og aktivitetsdeteksjons-/gjenkjenningssystemer. Til slutt, for å forbedre vårt datasett, tripping eller nesten fallende aktiviteter og sanntidsovervåking av frivillige i løpet av sitt daglige liv kan vurderes.

Siden verdensfenomenet av befolkningsaldring1, har fallprevalensen økt og regnes faktisk som et stort helseproblem2. Når et fall oppstår, krever folk umiddelbar oppmerksomhet for å redusere negative konsekvenser. Falldeteksjonssystemer kan redusere tiden en person mottar legehjelp som sender et varsel når det oppstår et fall.
Det finnes ulike kategoriseringer av falldeteksjonssystemer3. Tidlige arbeider4 klassifiserer falldeteksjonssystemer ved hjelp av deres metode for deteksjon, omtrent analytiske metoder og maskinlæringsmetoder. Mer nylig, andre forfattere3,5,6 har vurdert datainnhentingsensorer som den viktigste funksjonen for å klassifisere falldetektorer. Igual et al.3 deler falldeteksjonssystemer i kontekstbevisste systemer, som inkluderer visjons- og omgivelsessensorbaserte tilnærminger og bærbare enhetssystemer. Mubashir et al.5 klassifiserer falldetektorer i tre grupper basert på enhetene som brukes til datainnhenting: bærbare enheter, ambissensorer og visjonsbaserte enheter. Perry et al.6 vurderer metoder for måling av akselerasjon, metoder for måling av akselerasjon kombinert med andre metoder, og metoder som ikke måler akselerasjon. Fra disse undersøkelsene kan vi fastslå at sensorer og metoder er hovedelementene for å klassifisere den generelle forskningsstrategien.
Hver av sensorene har svakheter og styrker diskutert i Xu et al.7. Visjonsbaserte tilnærminger bruker hovedsakelig vanlige kameraer, dybdesensorkameraer og/eller bevegelsesopptakssystemer. Vanlige webkameraer er lave kostnader og enkle å bruke, men de er følsomme for miljøforhold (lysvariasjon, okklusjon, etc.), kan bare brukes i et redusert rom, og har personvernproblemer. Dybdekameraer, for eksempel Kinect, gir full-body 3D-bevegelse7 og påvirkes mindre av lysforhold enn vanlige kameraer. Tilnærminger basert på Kinect er imidlertid ikke så robuste og pålitelige. Motion capture systemer er dyrere og vanskelig å bruke.
Tilnærminger basert på akselerometer enheter og smarttelefoner / klokker med innebygdakselerometre er svært ofte brukt for fall deteksjon. Den største ulempen med disse enhetene er at de må brukes i lange perioder. Ubehag, påtrengende, kroppsplassering og orientering er designproblemer som skal løses i disse tilnærmingene. Selv om smarttelefoner og smartklokker er mindre påtrengende enheter som sensorer, eldre mennesker ofte glemmer eller ikke alltid bruke disse enhetene. Likevel er fordelen med disse sensorene og enhetene at de kan brukes i mange rom og / eller utendørs.
Noen systemer bruker sensorer plassert rundt om i miljøet for å gjenkjenne fall/aktiviteter, slik at folk ikke trenger å bruke sensorene. Disse sensorene er imidlertid også begrenset til de stedene hvor de er utplassert8 og er noen ganger vanskelige å installere. Nylig inkluderer multimodal falldeteksjonssystemer forskjellige kombinasjoner av syn, bærbare og omgivelsessensorer for å få mer presisjon og robusthet. De kan også overvinne noen av enkeltsensorbegrensningene.
Metodikken som brukes til falldeteksjon er nært knyttet til human aktivitetsgjenkjenningskjede (ARC) presentert av Bulling et al.9, som består av stadier for datainnsamling, signalpreprosessering og segmentering, funksjonsutvinning og valg, opplæring og klassifisering. Designproblemer må løses for hvert av disse stadiene. Ulike metoder brukes i hvert trinn.
Vi presenterer en metodikk basert på multimodale sensorer for å konfigurere et enkelt, komfortabelt og raskt menneskelig fall og menneskelig aktivitetsdeteksjons-/gjenkjenningssystem. Målet er å bygge et system for nøyaktig falldeteksjon som enkelt kan implementeres og vedtas. Den foreslåtte nye metodikken er basert på ARC, men det legger til noen viktige faser for å utføre en dyp analyse av følgende problemer for å forenkle systemet: (a) velge hvilke sensorer eller kombinasjon av sensorer som skal brukes i et enkelt falldeteksjonssystem; (b) bestemme den beste plasseringen av informasjonskildene; og (c) velge den mest passende maskinlæringsklassifiseringsmetoden for falldeteksjon og menneskelig aktivitetsgjenkjenning for å skape et enkelt system.
Det er noen relaterte arbeider i litteraturen som tar for seg ett eller to av de ovennevnte designproblemene, men så vidt vi vet, er det ikke noe arbeid som fokuserer på en metodikk for å overvinne alle disse problemene.
Relaterte arbeider bruker multimodal tilnærminger for høstdeteksjon og menneskelig aktivitetsgjenkjenning10,11,12 for å få robusthet og øke presisjonen. Kwolek et al.10 foreslo design og implementering av et falldeteksjonssystem basert på akselerometriske data og dybdekart. De designet en interessant metodikk der et tre-akserometer er implementert for å oppdage et potensielt fall, så vel som personens bevegelse. Hvis akselerasjonsmålet overskrider en terskel, trekker algoritmen ut en person som skiller dybdekartet fra det elektroniske oppdaterte dybdereferansekartet. En analyse av dybde- og akselerometerkombinasjoner ble gjort ved hjelp av en støttevektor maskin klassifikator.
Ofli et al.11 presenterte en Multimodal Human Action Database (MHAD) for å gi en testseng for nye systemer for menneskelig aktivitetsgjenkjenning. Datasettet er viktig siden handlingene ble samlet inn samtidig ved hjelp av 1 optisk bevegelsesopptakssystem, 4 kameraer med flere visninger, 1 Kinect-system, 4 mikrofoner og 6 trådløse akselerometre. Forfatterne presenterte resultater for hver modalitet: Kinect, mocap, akselerometeret og lyden.
Dovgan et al.12 foreslo en prototype for å oppdage uregelmessig oppførsel, inkludert fall, hos eldre. De designet tester for tre sensorsystemer for å finne det mest hensiktsmessige utstyret for fall og uvanlig oppførsel deteksjon. Det første eksperimentet består av data fra et smart sensorsystem med 12 tagger festet til hofter, knær, ankler, håndledd, albuer og skuldre. De opprettet også et testdatasett ved hjelp av ett Ubisense-sensorsystem med fire tagger festet til midjen, brystet og begge anklene, og ett Xsens akselerometer. I et tredje eksperiment bruker fire forsøkspersoner bare Ubisense-systemet mens de utfører 4 typer fall, 4 helseproblemer som uregelmessig oppførsel og forskjellig aktivitet i dagliglivet (ADL).
Andre arbeider ilitteratur13,14,15 løse problemet med å finne den beste plasseringen av sensorer eller enheter for falldeteksjon sammenligne ytelsen til ulike kombinasjoner av sensorer med flere klassifikatorer. Santoyo et al.13 presenterte en systematisk vurdering som evaluerte viktigheten av plasseringen av 5 sensorer for falldeteksjon. De sammenlignet ytelsen til disse sensorkombinasjonene ved hjelp av k-nærmeste naboer (KNN), støttevektormaskiner (SVM), naive Bayes (NB) og decision tree (DT) klassifikatorer. De konkluderer med at plasseringen av sensoren om motivet har en viktig innflytelse på falldetektorytelsen uavhengig av klassifikatoren som brukes.
En sammenligning av bærbare sensorplasseringer på kroppen for falldeteksjon ble presentert av Özdemir14. For å bestemme sensorplassering analyserte forfatteren 31 sensorkombinasjoner av følgende stillinger: hode, midje, bryst, høyre håndledd, høyre ankel og høyre lår. Fjorten frivillige utførte 20 simulerte fall og 16 ADL. Han fant ut at den beste ytelsen ble oppnådd når en enkelt sensor er plassert på midjen fra disse uttømmende kombinasjonsforsøkene. En annen sammenligning ble presentert av Ntanasis15 ved hjelp av Özdemirs datasett. Forfatterne sammenlignet enkeltposisjoner på hodet, brystet, midjen, håndleddet, ankelen og låret ved hjelp av følgende klassifikatarer: J48, KNN, RF, tilfeldig komité (RC) og SVM.
Benchmarks av ytelsen til ulike beregningsmetoder for falldeteksjon kan også bli funnet i litteratur16,17,18. Bagala et al.16 presenterte en systematisk sammenligning med benchmark ytelsen til tretten fall deteksjon metoder testet på virkelige fall. De vurderte bare algoritmer basert på akselerometermålinger plassert på midjen eller stammen. Bourke et al.17 evaluerte ytelsen til fem analytiske algoritmer for falldeteksjon ved hjelp av et datasett med ADLs og faller basert på akselerometeravlesninger. Kerdegari18 gjorde også en sammenligning av ytelsen til ulike klassifiseringsmodeller for et sett med registrerte akselerasjonsdata. Algoritmene som ble brukt til falldeteksjon var zeroR, oneR, NB, DT, flerlags perceptron og SVM.
En metodikk for falldeteksjon ble foreslått av Alazrai et al.18 ved hjelp av bevegelse ser geometrisk beskrivelse for å konstruere en akkumulert histogram-basert representasjon av menneskelig aktivitet. De evaluerte rammeverket ved hjelp av et datasett som ble samlet inn med Kinect-sensorer.
Oppsummert fant vi multimodal fall deteksjon relaterte verk10,11,12 som sammenligner ytelsen til ulike kombinasjoner av modaliteter. Noen forfattere løser problemet med å finne den beste plasseringen av sensorer13,,14,15, eller kombinasjoner av sensorer13 med flere klassifikatorer13,15,16 med flere sensorer av samme modalitet og akselerometre. Det ble ikke funnet noe arbeid i litteraturen som adresserer plassering, multimodale kombinasjoner og klassifikater benchmark samtidig.

<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

Dette papiret presenterer en metodikk basert på multimodale sensorer for å konfigurere en enkel, komfortabel og rask høstdeteksjon og menneskelig aktivitetsgjenkjenningssystem som enkelt kan implementeres og vedtas. Metodikken er basert på konfigurasjon av bestemte typer sensorer, maskinlæringsmetoder og prosedyrer. Protokollen er delt inn i fire faser: (1) databaseoppretting (2) dataanalyse (3) systemforenkling og (4) evaluering. Ved hjelp av denne metodikken opprettet vi en multimodal database for falldeteksjon og menneskelig aktivitetsgjenkjenning, nemlig UP-Fall Detection. Den består av dataprøver fra 17 som utfører 5 typer fall og 6 forskjellige enkle aktiviteter, under 3 studier. All informasjon ble samlet inn ved hjelp av 5 bærbare sensorer (akselerometer med tre akse, gyroskop og lysintensitet), 1 elektroencefalografhjelm, 6 infrarøde sensorer som omgivelsessensorer og 2 kameraer i side- og fremre synspunkter. Den foreslåtte nye metodikken legger til noen viktige stadier for å utføre en dyp analyse av følgende designproblemer for å forenkle et falldeteksjonssystem: a) velge hvilke sensorer eller kombinasjon av sensorer som skal brukes i et enkelt falldeteksjonssystem, b) bestemmer den beste plasseringen av informasjonskildene, og c) velger den mest passende maskinlæringsklassifiseringsmetoden for fall og menneskelig aktivitetsdeteksjon og gjenkjenning. Selv om noen multimodale tilnærminger rapportert i litteraturbare fokuserer på ett eller to av de ovennevnte problemene, gjør vår metodikk samtidig løse disse tre designproblemene knyttet til et menneskelig fall- og aktivitetsdeteksjons- og gjenkjenningssystem.

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

Vi presenterer en metodikk basert på multimodale sensorer for å konfigurere en enkel, komfortabel og rask høstdeteksjon og menneskelig aktivitetsgjenkjenningssystem. Målet er å bygge et system for nøyaktig falldeteksjon som enkelt kan implementeres og vedtas.

Design og analyse for forenkling av falldeteksjonssystemet

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

Vår metodikk legger til viktige stadier, valg av sensorkombinasjon, plassering og klassifisering, for å forenkle falldeteksjonssystemet med en dyp analyse. Det finnes tidligere arbeider som løser noen falldeteksjonsdesignproblemer, men det er ikke noe arbeid som fokuserer på helhetlig metodikk for å overvinne alle disse problemene. Denne metodikken kan også brukes til menneskelig aktivitetsgjenkjenning i assistert livsløp, evaluering av idrettsprestasjoner, fysioterapi og rehabiliteringsapplikasjoner.Når et datasett opprettes, kan det oppstå utfordringer på grunn av synkronisering, organisering og data inkonsekvens. En avveining mellom en nøyaktig estimering og modellkompleksiteten bør tas i betraktning. Viser prosedyren vil være Jose Pablo Nunez Martinez, en forskningsassistent, og Sofia Pacheco Ibanez, en lavere ingeniør student fra vårt laboratorium.Begynn med å konfigurere datainnsamlingssystemet for å legge til rette for innsamling og lagring av emnedata. Velg hvilke typer bærbare sensorer, omgivelsessensorer og visjonsbaserte enheter som kreves som informasjonskilder, og tilordne en ID for hver informasjonskilde, antall kanaler per kilde, de tekniske spesifikasjonene og samplingsfrekvensen til hver av dem. Hvis du vil koble alle informasjonskildene til en sentral datamaskin eller et distribuert datasystem, må du først kontrollere at de trådbaserte enhetene er riktig koblet til en enkelt klientdatamaskin og kontrollerer at de trådløse enhetene er fulladet.Hvis du vil konfigurere hver enhet til å hente data, angir du at datainnsamlingssystemet skal tillate datalagring i skyen og bekrefte at datainnsamlingssystemet oppfyller de riktige egenskapene for datasynkronisering og datakonsistens. Pass på at alle sensorene anskaffer data konsekvent og samtidig, og for å inkludere etiketter for å identifisere fagaktivitet og egenskaper. Samle inn eksempeldata med enhetene og lagre dataene i et foretrukket system.Spør databasen og finn ut om alle informasjonskildene samles inn med de samme samplingsfrekvensene. Etter å ha vurdert betingelsene som kreves i restriksjonene pålagt av målet med systemet, sette opp testmiljøet plassere en eller andre kompatible gulvsystemer i sentrum av miljøet for å sikre deltakernes sikkerhet. Hold gjenstander minst én meter unna og klargjør nødvendig personlig verneutstyr for deltakerne.Sett deretter opp de riktige kameraene og par infrarøde sensorer rundt som vist. Definer målet for falldeteksjons- og menneskelig aktivitetsgjenkjenningssystemet på et planleggingsark, og definer målpopulasjonen av eksperimentet i samsvar med systemets mål. Definer typen daglige aktiviteter, inkludert noen aktiviteter som ikke faller, faller for å forbedre reell falldeteksjon.Tilordne en ID for hver aktivitet, og beskriv aktivitetene så detaljert som mulig. Angi deretter tidsperioden for hver aktivitet som skal utføres. Definer typen menneskelige fall og tilordne en ID og beskriv hver høst for hver aktivitet sammen med tidsperioden for hvert fall som skal utføres.Vurder om fallene vil bli selvgenerert av fagene eller generert av andre, og skriv denne informasjonen på planleggingsarket. Hvis du vil samle inn aktivitets- og falldata, plasserer du opptaksenhetene på motivet som vist. Når faget er klart, under tilsyn av en klinisk ekspert eller en ansvarlig forsker, start datainnsamlingen i datainnsamlingssystemet og be faget om å utføre sekvenser av aktiviteter og faller skissert i planleggingsarket lagre tidsstemplene for start og slutt på hver aktivitet eller høst.Kontroller at dataene fra alle informasjonskildene lagres i skyen etter hver aktivitet eller fall. Hvis du vil analysere den innsamlede aktiviteten og falldata, bruker du funksjonsdatasettet for hver maskinlæringsmetode til å kjøre en K-fold kryssvalidering. Bruk en vanlig beregning av evaluering som nøyaktighet for å velge den beste modellen som er opplært per metode.Deretter åpner du datasettet for treningsfunksjonen i den foretrukne programmeringsspråkprogramvaren og bruker pandabiblioteket til å lese en CSV-fil som angitt. Del funksjonsdatasettet i par med innganger/utganger som angitt. Velg én maskinlæringsmetode, og angi parameterne.Lær opp maskinlæringsmodellen og beregne estimateverdiene til modellen ved hjelp av datasettet for testfunksjonen. Gjenta K-fold kryssvalidering av antall ganger K er angitt i K-fold kryssvalidering for hver maskinlæringsmodell valgt. Velg de passende plasseringene i den multimodale tilnærmingen hvis en kombinasjon av to eller flere informasjonskilder er nødvendig for systemet og velg den beste informasjonskilden for hver modalitet i systemet.Opprett et kombinert funksjonsdatasett ved hjelp av de uavhengige datasettene for disse informasjonskildene, og velg metoden for maskinlæringsklassifisering. Tren opp en modell for disse kombinerte informasjonskildene, og gjenta valideringen ved hjelp av det kombinerte funksjonsdatasettet. Deretter klargjør du et nytt datasett med fagene under mer realistiske forhold ved hjelp av bare informasjonskildene som ble valgt i den forrige analysen.Grafisk representasjon av den beste ytelsen oppnådd for hver modalitet avhengig av maskinlæringsmodellen og den beste vinduslengdekonfigurasjonen illustrerer tydelig at multimodal tilnærminger får de beste F1-scoreverdiene sammenlignet med noen unimodale tilnærminger. Selv om det er spesielt å bruke bærbare sensorer, kan en lignende ytelse som en multimodal tilnærming oppnås. Når det gjelder referanseindeksen til de datadrevne modellene, presenterer tilfeldig skog de beste resultatene i nesten alle eksperimentene, mens flerlags perceptron og støttevektormaskiner ikke er veldig konsekvente i ytelse.Den beste ytelsen oppnås når en enkelt sensor brukes i midjen, nakken eller den stramme høyre lommen. Ankel og venstre håndledd bærbare sensorer utført det verste. I tillegg er midje-, nakke- og stramme høyre lommesensorer med tilfeldig skogsklasseifikator i tre-sekunders vindusstørrelse med 50% overlapping de mest egnede bærbare sensorene for falldeteksjon.Sidevisningskameraet utfører den beste falldeteksjonen, og den beste kameraplasseringen er i et sideveis synspunkt ved hjelp av tilfeldig skog i en tre-sekunders vindusstørrelse og 50 %overlappende. I tillegg viser den tilfeldige skogsmodellklasseifikatoren den beste ytelsen i nøyaktighet og F1-poengsum i både multimodaliteter og kombinasjonen mellom midjen og kameraet man rangerer i første posisjon. I våre eksperimenter rekrutterte vi unge mennesker uten funksjonsnedsetteninger, men bør velges som samsvarer med målet for systemet og målgruppen ved hjelp av systemet.Enkle multimodal falldeteksjonssystemer kan utformes og implementeres basert på denne metodikken. For tilpasning i den virkelige verden anbefales overføringslæring og dype læringstilnærminger for å utvikle robuste systemer.

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

Silk Film Kultur System for In vitro Analyse og biomateriale Design

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

Bakteriell Detection &amp; Identification hjelp elektrokjemiske sensorer

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

Microfluidic pikoliter bioreaktor for Microbial Encellede Analyse: Fabrikasjon, System Setup, og drift

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

Systematisk analyse av<em&gt; In Vitro</em&gt; Cell Rolling Ved hjelp av en multi-brønn Plate Microfluidic System

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

Automatisert robot flytende håndtering samlingen av modulære DNA enheter

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

Design og implementering av en automatisert Illuminating, dyrking, og Sampling System for Microbial optogenetic Applications

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

Metoden og instrumenterte festeanordningen for femur fraktur Testing i sidelengs Fall-på-den-Hip posisjon

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

Design og syntese av en rekonfigurerbare DNA trekkspill Rack

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

Biaxial mekanisk Characterizations av atrioventrikulær hjertet ventiler

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

Elektriske og magnetiske feltenheter for stimulering av biologisk vev

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