DOI:
https://doi.org/10.14483/22487638.22066Publicado:
2024-10-27Número:
Vol. 28 Núm. 79 (2024): Enero - MarzoSección:
InvestigaciónPre-and-post impact fall detection based on support vector machines using inertial and barometric pressure data
Detección de caídas con máquinas de soporte vectorial identificando pre y post impacto con datos inerciales y presión barométrica
Palabras clave:
support vector machines, activity recognition, fall detection, wearable inertial sensors, pre-and-post impact (en).Palabras clave:
máquinas de soporte vectorial, reconocimiento de actividades , detección de caídas, sensores llevables inerciales, pre-post impacto (es).Descargas
Resumen (en)
Objective: This paper presents a novel real-time algorithm for fall detection, which contextualizes falls by identifying activities occurring both pre- and post-impact utilizing machine learning techniques and wearable sensors.
Methodology: The activities selected to contextualize fall events included standing, lying, walking, running, climbing stairs, and using the elevator. Data were collected using an inertial measurement unit and a barometric altimeter positioned on the participants’ lower backs. Thirteen healthy subjects were observed performing the activities and fall events were recorded from five healthy subjects. The proposed algorithm combines thresholding and cascade support vector machines (SVMs), whose robustness is enhanced by a verification process of the subject’s posture aimed at determining the occurrence of the fall more accurately.
Results: The performance of the algorithm was evaluated in terms of the hit rate (HT) both offline and in real-time. From the activities studied, stairs climbing proved to be the most challenging to detect, with an offline HT of 85% and an online HT of 76 %. The overall offline performance was superior, with an HT of 96 %, compared to the performance achieved online, an HT of 91 %; in both cases the fall detection HT was 100 %.
Conclusions: The algorithm can be used to recognize fall events occurring to any user, as it has the advantage of not needing prior adaptation due to the nonlinear nature of the SVMs. The cascade SVMs allow for using small sets of variables, leading to low computational cost and a suitable real-time implementation. These features, in addition to the posture verification process, make our algorithm suitable for activity recognition in non-laboratory environments.
Resumen (es)
Objetivo: Este articulo presenta un algoritmo para la detección de caídas en tiempo real, el cual se contextualiza mediante el reconocimiento de las actividades previas y posteriores al impacto de la caída, utilizando técnicas de aprendizaje automático y sensores llevables.
Metodología: Las actividades estudiadas para la contextualización de la caída incluyen estar de pie, caminar, correr, subir o bajar en escaleras, y desplazarse en ascensor. La recolección de datos se hizo utilizando una unidad de medición inercial y un barómetro ubicados en la parte baja de la espalda de los participantes. Trece voluntarios sanos fueron observados para el registro de actividades y cinco voluntarios sanos para el registro de las caídas. El algoritmo propuesto combina máquinas de vectores de soporte (SVM) en cascada y umbrales, cuya robustez es mejorada con un proceso de verificación de la postura del sujeto para determinar de manera más precisa la ocurrencia de la caída.
Resultados: El rendimiento del algoritmo fue evaluado en términos de la tasa de aciertos (TA) tanto offline como en tiempo real de detección de las actividades estudiadas. Subir o bajar escaleras represento la mayor dificultad de detección, con una TA del 85% offline y del 76% online. El rendimiento global offline fue superior, con una TA del 96 %, comparado con el rendimiento alcanzado online, representado por una TA del 91 %; en ambos casos la TA de detección de caídas fue del 100 %.
Conclusiones: El algoritmo puede utilizarse para reconocer eventos en cualquier usuario, es decir, tiene la ventaja de no requerir adaptación previa, dada la naturaleza no lineal de las SVM. Las SVM en cascada permiten el uso de pequeños conjuntos de variables, lo que genera un bajo costo computacional y una implementación adecuada en tiempo real. Estas características, además de la robustez incrementada con un proceso de verificación de postura con excelentes resultados en la detección de la caída, permiten que nuestro algoritmo sea adecuado para el reconocimiento de actividades en entornos fuera del laboratorio.
Referencias
Álvarez, R., Pulido, E., & Sierra, D. A. (2017). Climbing/descending stairs detection using inertial sensors and implementing PCA and a SVM classifier. IFMBE Proceedings, 60. https://doi.org/10.1007/978-981-10-4086-3_146
Bravo, J. (2017). Diseño y desarrollo de un prototipo para inferir ubicación mediante el algoritmo dead reckoning utilizando métodos de corrección de errores. [Master’s Thesis, Universidad Industrial de Santander], Bucaramanga, Colombia.
Igual, R., Medrano, C., & Plaza, I. (2013). Challenges, issues and trends in fall detection systems. BioMed Eng OnLine, 12(66). https://doi.org/10.1186/1475-925X-12-66
Inman V, Ralston HJ, y Todd F. (2006). Human locomotion. In Rose J. & Gamble J. G. (Eds.), Human walking. (pp. 1-18).Williams & Wilkins.
James, S. L., Lucchesi, L. R., Bisignano, C., Castle, C. D., Dingels, Z. v., Fox, J. T., . . . Murray, C. J. L. (2019). The global burden of falls: Global, regional and national estimates of morbidity and mortality from the Global Burden of Disease Study 2017. Injury Prevention, 26(32). https://doi.org/10.1136/injuryprev-2019-043286
Kangas, M., Konttila, A., Lindgren, P., Winblad, I. y Jamsa, T. (2008). Comparison of low-complexity fall detection algorithms for body attached accelerometers. Gait and Posture, 28(2). https://doi.org/doi:10.1016/j.gaitpost.2008.01.003
Kumar, P. (2013). An Inertial Sensing Module for Movement and Posture Monitoring for Assisted Living. [Master’s Thesis, Indian Institute of Technology], Bombay, Bombay, India.
Lopez-Yunez, A., Vasquez, D., Palacio, L. A., Tiwari, N., Suryadevara, V. K., Anandwala, M. y Rizkalla, M. (2014). A novel approach for high speed wireless pre-fall detection multisensory system. Midwest Symposium on Circuits and Systems. 857–859. https://doi.org/10.1109/MWSCAS.2014.6908550
Nooruddin, S., Islam, Md. M., Sharna, F. A., Alhetari, H. & Kabir, M. N. (2021). Sensor-based fall detection systems: a review. Journal of Ambient Intelligence and Humanized Computing, 1-17. https://doi.org/10.1007/S12652-021-03248-Z
Noury, N., Fleury, A. & Rumeau, P. (2007). Fall Detection – Principles and Methods. 2007 29th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, (pp. 1663–1666), https://doi.org/10.1109/IEMBS.2007.4352627
Patel, M., Pavic, A. & Goodwin, V. A. (2020). Wearable inertial sensors to measure gait and posture characteristic differences in older adult fallers and non-fallers: A scoping review. Gait and Posture, 76, 110–121. https://doi.org/10.1016/j.gaitpost.2019.10.039
Pierleoni, P., Belli, A., Palma, L., Pellegrini, M., Pernini, L. & Valenti, S. (2015). A High Reliability Wearable Device for Elderly Fall Detection. IEEE Sensors Journal, 15(8), 4544–4553. https://doi.org/10.1109/JSEN.2015.2423562
Sabatini, A. M., Ligorio, G., Mannini, A., Genovese, V. & Pinna, L. (2016). Prior-to- and post-impact fall detection using inertial and barometric altimeter measurements. IEEE Transactions on NeuralSystems and Rehabilitation Engineering, 24(7), 774–783. https://doi.org/10.1109/TNSRE.2015.2460373
Sorvala, A., Alasaarela, E., Sorvoja, H. y Myllyla, R. (2012). A two-threshold fall detection algorithm for reducing false alarms. 6th International Symposium on Medical Information and Communication Technology, SMICT 2012. https://doi.org/10.1109/ISMICT.2012.6203028
Tinetti, M. E., Liu, W. L., & Claus, E. B. (1993). Predictors and Prognosis of Inability to Get Up After Falls Among Elderly Persons. JAMA: The Journal of the American Medical Association, 269(1). https://doi.org/10.1001/jama.1993.03500010075035
Wild, D., Nayak, U. S. L., & Isaacs, B. (1981). How dangerous are falls in old people at home? British Medical Journal (Clinical Research Ed.), 282(6260). https://doi.org/10.1136/bmj.282.6260.266
World Health Organization. (2007). WHO Global Report on Falls Prevention in Older Age. Community Health.
Yu, X., Qiu, H. & Xiong, S. (2020). A Novel Hybrid Deep Neural Network to Predict Pre-impact Fall for Older People Based on Wearable Inertial Sensors. Front. Bioeng. Biotechnol., 12. https://doi.org/10.3389/fbioe.2020.00063
Zhang, T.,Wang, J., Xu, L. & Liu, P. (2006). Fall detection by wearable sensor and one-class SVM algorithm. Lecture Notes in Control and Information Sciences. 345. https://doi.org/doi:10.1007/11816515_104
Cómo citar
APA
ACM
ACS
ABNT
Chicago
Harvard
IEEE
MLA
Turabian
Vancouver
Descargar cita
Licencia
Derechos de autor 2024 Roberth Alvarez Jimenez , Edith Pulido Herrera, Andrés F. Ruiz-Olaya , Daniel Sierra Bueno
Esta obra está bajo una licencia internacional Creative Commons Atribución-CompartirIgual 4.0.
Esta licencia permite a otros remezclar, adaptar y desarrollar su trabajo incluso con fines comerciales, siempre que le den crédito y concedan licencias para sus nuevas creaciones bajo los mismos términos. Esta licencia a menudo se compara con las licencias de software libre y de código abierto “copyleft”. Todos los trabajos nuevos basados en el tuyo tendrán la misma licencia, por lo que cualquier derivado también permitirá el uso comercial. Esta es la licencia utilizada por Wikipedia y se recomienda para materiales que se beneficiarían al incorporar contenido de Wikipedia y proyectos con licencias similares.
