Pre-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

Abstract Authors Available Metrics References How to Cite

Abstract (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.

Abstract (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.