Smartphone-based Human Fall Detection System - RevistaIEEE

Smartphone-based Human Fall Detection System - RevistaIEEE

Smartphone-based Human Fall Detection
System
L. Valcourt, Y. D. L. Hoz, and M. Labrador
1
Abstract— The use of technology has proven to be a value asset
in the health department. Nowadays, from computers to
smartphones, technology helps people in their activities, being
these personally or cooperativily. Thanks to these advantages, new
research has develop to create systems and applications to help
with people’s health, in our case detecting fall accidents with the
use of smartphones. This paper presents an approach to detect
falls using different proposed algorithms with the goal of helping
people with their health and security. The system is composed of
three different components: data collection, location selection, and
fall detection. It utilizes the smartphone’s built-in sensors
(accelerometer, gyroscope) to identify
the location of the
smartphone in the user’s body (chest, pocket, holster, etc.) and
once a location is identified, the fall detection component takes
place. A general description on fall detection systems is provided,
including the different types of sensors used nowadays. The
proposed solution is presented and described in great detail. A
total accuracy of 81.3% was calculated from the fall detection
proposed algorithm. The top three locations to detect a fall
were: texting with a 95.8% fall detection accuracy, pants’ side
pocket with an 87.5% accuracy, and shirt chest pocket with an
83.3% accuracy. Also an extra study was done using only the
holster location generating an excellent 100% location selection
accuracy.
Keywords— Accelerometer, gyroscope, fall detection, location
selection, mobile applications.
S
I. INTRODUCCIÓN
EGÚN el CDC (Centros para el Control y la
Prevención de Enfermedades) , una de cada tres personas
mayores de 65 años es probable que sufra una caída. Veinte a
treinta por ciento de ellos sufren lesiones como fracturas,
pérdida de independencia, e incluso la muerte [1]. Además, se
espera que la población estadounidense mayor de 65 años pase
de 12.4 % en 2000 a 19,6 % en 2030 [2]. Esto representa un
problema que debe ser atendido lo más pronto posible.
Los sistemas de detección de caída nacieron debido a la
creciente necesidad de minimizar las consecuencias de una
caída. Un sistema de detección de caída es una plataforma
automatizada capaz de determinar si un sujeto de interés ha
sufrido una caída o no. La mayoría de los sistemas actuales
utilizan sensores externos alrededor del cuerpo del sujeto.
Estos tipos de sensores se pueden encontrar incorporados en
teléfonos inteligentes regulares en el mercado actual [3].
En los Estados Unidos, el 58 por ciento de los adultos son
propietarios de teléfonos inteligentes y el 19 por ciento de esa
1
L. Valcourt, Universidad de Puerto Rico en Bayamón,
[email protected]
Y. De La Hoz, Univeristy of South Florida, Tampa Campus,
[email protected]
M. Labrador, University of South Florida, Tampa
[email protected]
Campus,
categoría son personas mayores de 65 años [4]. Los teléfonos
inteligentes están equipados con sensores (acelerómetros,
giroscopios, barómetros, etc.) capaces de recolectar los datos
del usuario. Estos datos pueden ser utilizados para detectar
patrones únicos que se generan en una caída.
Además de esto los celulares inteligentes no representan
una molestia para el usuario, debido a que estos están
acostumbrados a llevarlos con ellos todo el tiempo.
Este estudio presenta un enfoque para detectar caídas
utilizando el acelerómetro y giroscopio incorporado en los
teléfonos inteligentes actuales. El enfoque propuesto se basa
en tres componentes que se utilizan para detectar una posible
caída. El primer componente utiliza los valores en bruto de un
acelerómetro de tres ejes y la magnitud de un giroscopio para
localizar la posición del dispositivo en el cuerpo del usuario
(bolsillo del pecho de camisa, bolsillo lateral de pantalón y la
funda del teléfono móvil horizontal). Además, el algoritmo
puede reconocer si una persona está hablando, si esta
escribiendo o leyendo un mensaje de texto, o si está
caminando con el dispositivo en una mano. El segundo
componente detecta caídas mediante el uso de umbrales
específicos que se determinan en función de la posición del
dispositivo mediante la magnitud del acelerómetro. Si se
detecta una caída, se activa una alerta y, si el usuario no puede
alcanzar el dispositivo o está inconsciente, la aplicación
reacciona automáticamente llamando a un número telefónico
grabado por el usuario, y también envía la localización del
usuario por mensaje de texto. El tercer y último componente
es la constante actualización de valores mientras que los dos
componentes anteriores continúan realizando su función.
El resto del artículo está organizado de la siguiente
manera. Sección II ofrece una breve descripción de las
soluciones actuales de detección de caída. Sección III describe
la solución propuesta en detalle. Sección IV presenta los
resultados de la evaluación del sistema propuesto. Por último,
la Sección V concluye el documento .
II. ESTADO DEL ARTE
En los últimos años, una cantidad significativa de
investigación se ha hecho en relación con la detección de
caídas. Muchas soluciones se han ideado como resultado de
estas investigaciones. Algunos de ellos se describen a
continuación.
A. Productos de Compañías
Empresas de salud han creado diferentes tipos de sistemas
para detectar caídas con la ayuda de tecnologías populares
(Bluetooth, WiFi, cámaras de vídeo). Alert1 [5] y Medical
Guardian [6] han desarrollado sistemas para detectar caídas
utilizando un colgante como una unidad base que se conecta a
una estación principal. Estas compañías y muchas otras tienen
un problema similar: el sistema sólo funciona en las zonas
donde el pendiente se puede comunicar con la estación
principal. Muchos han adaptado sus dispositivos de tal manera
que puedan conectarse a su estación principal a través de
Internet u otros recursos. Además, empresas como VoCare [7]
tienen teléfonos móviles entre sus productos para detectar
caídas específicamente para personas de edad avanzada. Un
gran defecto que estos teléfonos móviles tienen es que muchas
de las caídas que detectan son sólo de los teléfonos que se
deslizan de las manos del usuario, que puede suceder mucho
debido a los impedimentos de las personas mayores. Además,
algunos de estos teléfonos móviles son muy complicados de
usar, y las personas de edad avanzada generalmente no saben
cómo usarlos.
B. Cámaras
Nuevos estudios han surgido empleando cámaras de bajo
costo para detectar caídas de personas mayores . Doulamis et
al. [8] propuso un sistema de detección de caída utilizando
cámaras de bajo costo. Su trabajo utilizó la substracción de
fondo que actualiza constantemente el primer plano dinámico.
Ellos aplicaron sus propios algoritmos para detectar una caída.
La calidad de la cámara utilizada no fue la mejor, lo cual
afectó los resultados de las imágenes.
Usando
cámaras
más
eficientes
(cámaras
omnidireccionales), Miaou et al. [9] fueron capaces de recoger
datos del usuario gracias a un vista de 360 grados . El trabajo
incluyó comportamientos de los usuarios individuales y las
técnicas de procesamiento de imágenes para identificar a los
usuarios y caídas; se presentaron prioridades en función de la
salud del usuario. Uno de los inconvenientes del sistema era
su baja eficiencia para detectar caídas.
Estos proyectos adolecen del mismo problema: el sistema
se limita a lugares donde haya cámaras instaladas. Por lo
tanto, se necesitan más cámaras para ampliar la cobertura,
incurriendo en mayores gastos.
C. Celulares Inteligentes
Hwang et al. [10] presentó un sistema de detección de
caídas que se beneficia de un acelerómetro de tres ejes y un
magnetómetro en un teléfono inteligente. Utilizó un tipo de
funda para el teléfono inteligente y empleó los datos recogidos
por los sensores para obtener los umbrales y los ángulos de
movimiento del usuario. Aunque las actividades básicas de la
vida diaria (ADL) fueron estudiadas y consideradas durante su
proyecto, la solución se limita a pequeñas actividades y
posibilidades. Todas las pruebas se realizaron utilizando
posiciones estáticas durante la acción de simular una caída. Se
consideraron cuatro direcciones al caerse la persona: hacia
delante, hacia atrás, hacia la izquierda y hacia la derecha.
Kangas et al. [11] utilizó lugares específicos en el cuerpo
del usuario para calcular diferentes umbrales con datos
recogidos de un acelerómetro de tres ejes. Este proyecto
presentó otra posible solución para la detección de caídas
usando sensores externos, en la cintura del usuario y la cabeza.
Calcularon el vector de suma, suma de vectores dinámica,
aceleración vertical, y los valores máximos y mínimos . La
fiabilidad del sistema depende de ambos sensores (giroscopio
y acelerómetro ), por lo que es menos eficiente en la detección
de una caída si alguno de los dos sensores dejase de funcionar.
Este trabajo propone una solución modular que abarca la
identificación de la ubicación del móvil y detección de caídas.
El usuario es capaz de llevar el móvil en seis de los lugares
más populares de uso con respecto al cuerpo del usuario: el
bolsillo del pecho de una camisa, bolsillo lateral del pantalón,
funda protectora, mientras escribe o lea mensajes de texto,
mientras hable por teléfono, y mientras camine con el teléfono
en la mano.
III. SOLUCIÓN E IMPLEMENTACIÓN
Figura 1. Módulos del Sistema.
Este proyecto tiene como objetivo superar los problemas
expuestos por algunos de los sistemas mencionados,
proporcionando los siguientes beneficios:
• Un criterio más general se utiliza para la localización
del dispositivo, dando al usuario más opciones al usar
su celular inteligente.
• No se requieren sensores adicionales.
• El nivel de obstrucción es cercano a cero debido a
que el usuario está acostumbrado a usar dispositivos
móviles.
• Facilidad de uso. Se requiere de una mínima/ninguna
manipulación por parte del usuario.
• Sin costo adicional para el usuario (teniendo en
cuenta que el usuario ya tiene un teléfono
inteligente).
El enfoque propuesto se divide en tres módulos diferentes:
recolección de datos, selección de ubicación, y detección de
caídas, como se muestra en la Fig. 1. Antes que se detecte una
ubicación o una caída, un proceso de recolección de datos se
ejecuta para recopilar datos del acelerómetro y giroscopio.
Estos datos se utilizan por primera vez en el algoritmo de
selección de ubicación. Cuando se selecciona una ubicación
final, se ejecuta el algoritmo propuesto para la detección de
caídas. Si se superan los umbrales predefinidos, se detecta una
caída. La Fig. 2 muestra un diagrama de flujo del sistema
propuesto. En las siguientes subsecciones se explica con más
detalle los componentes del sistema.
TABLA I. SELECCIÓN DE UBICACIÓN.
Ubicación
Valores Promedios del Acel.
(x, y, z)
Bolsillo
Frontal de
la Camisa
[z >
x]
AND
[y > x]
Bolsillo
Lateral de un
Pantalón
[z >
x]
AND
[y>
z] AND
[ y > x]
Figura 2. Diagrama de Flujo del Sistema.
A. Obtención de Datos
Los datos utilizados en el proceso de selección de la
ubicación y la detección de caída se recogen del sensores
(acelerómetro y giroscopio) que se encuentran embebidos en
un teléfono inteligente. Para este proyecto se utilizó el
teléfono inteligente, Android Google Nexus 5, versión de
sistema operativo 4.4.2. El programa recolecta constantemente
los datos que se suministran a los otros módulos del sistemas.
Los primeros valores recogidos son empleados por el
algoritmo de selección de ubicación que se explica a
continuación.
B. Selección de Ubicación
Uno de los objetivos de este trabajo es dar al usuario la
libertad suficiente para elegir la posición en la que utilizará el
dispositivo. Estos lugares son: el bolsillo frontal de la camisa,
el bolsillo lateral de un pantalón, funda de teléfono inteligente
(horizontal), mientras escribe o lea mensajes de texto,
mientras hable por teléfono, y mientras camine con el teléfono
en mano. Con el uso del eje x, y, y z del acelerómetro y la
magnitud de la giroscopio, el sistema es capaz de determinar
la posición del dispositivo. Se calcula y almacena una media
cada diez valores por eje del acelerómetro. Al mismo tiempo,
el promedio de la magnitud del giroscopio (Ecuación 1) de
diez muestras se calcula y se almacena. Una ubicación se
selecciona con base en el promedio de los valores de los ejes
del acelerómetro y un umbral establecido sobre la magnitud
promedio del giroscopio. La Tabla I muestra los criterios de
decisión utilizados para cada posición. Con el uso de un "es
mayor" acercamiento entre los tres valores promedio de los
ejes del acelerómetro, algunas ubicaciones fueron detectadas
con facilidad. Otros lugares, debido a la similitud de la señal y
de los valores, se detectaron incluyendo umbrales adicionales.
La magnitud del giroscopio proveyó la información adicional
que facilitó la identificación de la ubicación del teléfono
inteligente.
||
|| =
+
+
(1)
Una ventana empíricamente calculada de 30 segundos se
utiliza para volver a calcular la ubicación del teléfono
inteligente. Este proceso comprueba si el usuario ha cambiado
la ubicación del teléfono inteligente. Una vez que se detecta
una posición, se utiliza como la posición por defecto para
detectar una caída.
[z >
x]
AND
[z>
y] AND
[x > y]
[x >
y]
AND
[z >
x]
Funda de
Teléfono
Inteligente
(horizontal)
Hablar por
Teléfono
Magnitud Promedio del
Gyro.
[1.5 > G > .5]
[2.0 > G > 1.3]
[2.0 > G > 1.3]
[G < .8]
Escribir o Leer
Mensajes de
Texto
[y>
x]
AND
[y >
z]
[1.0 > G > .5]
Teléfono en
Mano
[x >
y]
AND
[z >
y]
[G >
1.6]
C. Detección de Caídas
El componente de detección de caídas se activa cuando se
determina una ubicación. La ubicación es clave para
seleccionar los umbrales para detectar una caída ya que
dependen de la posición del teléfono inteligente. El sistema se
beneficia de la magnitud del acelerómetro (Ecuación 2) para
detectar una caída. Las caídas tienen patrones y características
únicas que pueden ser explotadas con el fin de poder detectar
las. La Fig. 3 muestra una señal de la magnitud del
acelerómetro de una caída.
||
|| =
+
+
(2)
Antes de que una caída tome lugar, hay un aumento en la
amplitud de pico a pico de la señal seguido de un período de
inactividad. Un filtro de paso alto se utiliza para eliminar los
componentes de baja frecuencia de la señal de la magnitud del
acelerómetro. El propósito de utilizar un filtro de paso alto es
para centrar la señal en torno a cero (amplitud), haciendo que
el proceso de identificación de periodos de inactividad sea
más fácil. La Fig. 4 muestra un ejemplo de una señal de
acelerómetro filtrada usando un filtro pasa-altas (magnitud).
Figura 3. Valores de la Magnitud del Acelerómetro No-Filtrados (Bolsillo
Lateral de un Pantalón)
De haber detectado el sistema una caída, automáticamente
éste procede a llamar al número telefónico grabado por el
usuario para pedir ayuda. Además, utilizando el mismo
número, el sistema envía un mensaje de texto con la
localización del usuario. Cada cuatro minutos una actividad
externa verifica la localización del usuario. Se utiliza la
longitud y latitud del mismo para mejorar la exactitud de la
localización. Para que esta función trabaje con excelencia, se
requiere que el usuario tenga encendido el sistema de
posicionamiento global al menos en el inicio del sistema para
poder retener la localización.
IV. EVALUACIÓN DEL SISTEMA
Figura 4. Valores de la Magnitud del Acelerómetro Filtrados (Bolsillo Lateral
de un Pantalón).
El algoritmo propuesto utiliza el diagrama de estado que se
muestra en la Fig. 5 para detectar caídas. Se asume que una
persona está caminando cuando se inicia el proceso. Se detecta
una caída cuando los tres factores desencadenantes se
cumplen. El primer factor se activa cuando se detecta un pico
anormal en la amplitud pico (ST1 es alcanzado). ST2 se
alcanza cuando el valor actual promedio de la señal se
estabiliza cerca de cero. El estado final se activa (se detecta
una caída) cuando un período de inactividad (valores de señal
están cerca de cero) es constante durante una ventana de
tiempo predefinido.
ST 1
DifAvg>Th
DifAvg
DifAvg<
> 1
ST 2
Lasttwoavg<
1
Fall
1. 5
Alarm
Walk
LasttwoAvg>
1
Avg ≈ 0
Figura 5. Diagrama de Estado para Detectar Caídas.
El algoritmo funciona de la siguiente manera. En primer
lugar, un total de 100 valores filtrados con el filtro de paso
alto de la magnitud del acelerómetro se dividen en cinco
grupos (20 valores por grupo). Un valor promedio de cada
grupo se calcula y se almacena en cinco variables temporales
(Avg1 , Avg2 , Avg3 , Avg4 , Avg5). Esto sólo se hace la
primera vez que el algoritmo se ejecuta. Entonces, el primer
estado es activado cuando la diferencia absoluta entre Avg1 y
Avg2 es mayor que el umbral especificado por la ubicación
actual (pecho, bolsillo del pantalón, funda protectora,
actividad de escribir mensaje de texto, actividad de hablar,
dispositivo en la mano). El segundo estado es activado cuando
la diferencia absoluta entre Avg2 y Avg3 es mayor que 1.0 y
el tercer y último estado es activado cuando Avg4 y Avg5
permanecen aproximadamente en cero (amplitud) o cerca de
un valor especificado, el cual el tiempo es determinado por la
obtención de datos de Avg4 y Avg5 respectivamente. Si se
activaron los tres estados se detecta una caída. Si no se detecta
una caída, los cinco actuales promedios se desplazan hacia la
izquierda, es decir , Avg5 se copia en Avg4, Avg4 se copia en
Avg3, Avg3 se copia en Avg2 y Avg2 se copia en Avg1.
Entonces, una nueva media se calcula utilizando 20 valores
nuevos y se almacena en Avg5.
Se realizaron un total de 180 experimentos, 36
experimentos de selección de ubicación, 36 experimentos de
caída, y 108 experimentos de actividades del diario vivir (no
caídas). Seis sujetos en las edades entre 20 y 38 participaron
en los experimentos. Las caídas se simularon con ningún
orden en particular, el uso de los lugares especificados
(bolsillo de camisa en el pecho, bolsillo del pantalón, funda
protectora, actividad de escribir mensaje de texto, actividad de
hablar, dispositivo en la mano). Tres actividades básicas se
utilizaron para simular las no caídas. Estas actividades fueron:
detenerse, agacharse para recoger un objeto del suelo y de
tropiezo.
A. Selección de Ubicación
Los resultados del algoritmo propuesto se almacenaron en
una matriz de confusión [12]. Una matriz de confusión
permite visualizar el rendimiento del algoritmo en una tabla
que contiene todos los reales y los resultados detectados por el
sistema. La Tabla II muestra los resultados de los
experimentos del algoritmo de selección de ubicación. Para
medir la eficiencia del sistema, se utilizó un indicador de
exactitud de rendimiento [13]. Esto se define en la Ecuación
=
(3)
En la Tabla II y la Tabla III se compara la ubicación real del
teléfono inteligente con la ubicación detectada por el
algoritmo propuesto. Para la ubicación de bolsillo de camisa
en el pecho, seis de los seis experimentos se detectan
correctamente. Sin embargo, siete experimentos fueron
detectados incorrectamente como ubicaciones de bolsillo de
camisa en el pecho. Esto es una consecuencia de la similitud
entre las señales generadas por las otras ubicaciones y la
ubicación bolsillo de camisa en el pecho. De las seis
ubicaciones, la ubicación de escribir o leer mensajes de texto
es la que tiene la tasa de detección más alta debido a que el
comportamiento de su señal es significativamente diferente a
las demás.
B. Detección de Caídas
Los resultados de los experimentos con el algoritmo
propuesto también fueron grabados en una matriz de
confusión. Estos resultados fueron clasificados como:
• Verdaderos Positivos (TP) : Número de caídas que se
detectaron como caídas.
•
Verdaderos Negativos (TN) : Número de no caídas
que
fueron detectados como no caídas.
• Falsos Positivos (FP) : Número de no caídas que
fueron
detectados como caídas.
• Falsos Negativos (FN) : Número de caídas que
fueron
detectados como no- caídas.
Aparte de la precisión, los siguientes indicadores de
rendimiento fueron utilizados:
=
TOTAL
0
0
3
3
4
5
3
12
TOTAL ACURRACY
72%
(TABLE II & TABLE
III)
(4)
+
=
ON
HAND
(5)
+
(6)
=
+
Las siguientes tablas muestran los resultados de los
experimentos basados en la ubicación del celular inteligente.
TABLA IV. ACTIVIDAD DE ESCRIBIR O LEER MENSAJES DE
TEXTO.
DETECTED
FALL
NON-FALL
TOTAL
FALL
5 TP
1 FN
6
NON-FALL
0 FP
18 TN
18
REAL
TABLA II. SELECCIÓN DE UBICACIÓN, PRIMERA PARTE.
TOTAL
CHEST
PANT
HOLSTER
TOTAL
POCKET
POCKET
6
0
0
6
PANT
POCKET
3
3
0
6
HOLSTER
1
0
5
6
TALKING
2
0
0
2
TEXTING
1
0
0
1
ON
HAND
0
0
3
3
CHEST
POCKET
REAL
5
19
ACCURACY
DETECTED
95.8%
RECALL
83%
PRECISION
SPECIFICITY
100%
100%
La Tabla IV confirma lo presentado en la Tabla III, la
actividad de escribir o leer mensajes de texto es la mejor
ubicación para detectar una caída. Cinco de cada seis caídas se
detectaron correctamente. Ningún falso positivo se generó.
Todas las no-caídas se detectaron correctamente, y sólo uno de
los experimentos se detectó incorrectamente. La Tabla V
también muestra los resultados del cálculo de los indicadores
de rendimiento antes mencionados. El resto de las tablas sigue
el mismo análisis utilizado aquí.
TABLA V. BOLSILLO LATERAL DE UN PANTALÓN.
DETECTED
TOTAL
FALL
NON-FALL
TOTAL
REAL
10
3
5
24
FALL
6 TP
0 FN
6
NON-FALL
3 FP
15 TN
18
TABLA III. SELECCIÓN DE UBICACIÓN, SEGUNDA PARTE.
9
TOTAL
15
DETECTED
ACCURACY
87.5%
TALKING
TEXTING
ON
HAND
TOTAL
RECALL
100%
PRECISION
67%
CHEST
POCKET
0
0
0
0
SPECIFICITY
83%
PANT
POCKET
0
0
0
0
TABLA VI. BOLSILLO FRONTAL DE CAMISA
REAL
HOLSTER
0
0
0
0
TALKING
4
0
0
4
TEXTING
0
5
0
5
DETECTED
REAL
TOTAL
TOTAL
FALL
NON-FALL
FALL
6 TP
0 FN
6
NON-FALL
4 FP
14 TN
18
10
14
ACCURACY
83.3%
RECALL
100%
PRECISION
60%
SPECIFICITY
78%
TOTAL
DETECTED
TOTAL
FALL
NON-FALL
FALL
6 TP
0 FN
6
NON-FALL
6 FP
12 TN
18
REAL
12
12
ACCURACY
75%
RECALL
100%
PRECISION
50%
SPECIFICITY
67%
TABLA VIII. CELULAR INTELIGENTE EN MANO.
DETECTED
REAL
FALL
NON-FALL
TOTAL
FALL
NON-FALL
5 TP
5 FP
1 FN
13 TN
10
TOTAL
6
18
75%
RECALL
83%
PRECISION
50%
SPECIFICITY
72%
58.2%
SPECIFICITY
79%
Aparte de los resultados presentados, un total de 17
experimentos adicionales se llevaron a cabo utilizando solo la
ubicación de la funda protectora con hombres entre las edades
de 20 a 24 años. La ubicación es específicamente seleccionada
debido a que es comúnmente utilizada en la población de
personas de edad avanzada; se introdujo la localización del
usuario al sistema. Para llevar a cabo estas pruebas dirigidas a
una sola ubicación, el algoritmo propuesto de selección de
ubicación fue modificado para que solo detectara la funda
protectora. Para obtener total éxito en esta ubicación, los
valores fueron alterados a [ 2.5 > G > 1.0 ] a diferencia de los
valores originales, [2.0 > G > 1.3 ]. El porcentaje final de
selección de ubicación que obtuvo el algoritmo modificado
propuesto fue de un total de 100%. El umbral determinado
para esta ubicación también fue alterado a un valor de 2.3 para
beneficio del algoritmo de detección de caídas. A
continuación, la Tabla XI se muestran los resultados finales.
TABLA XI. FUNDA PROTECTORA – PRUEBAS NUEVAS.
DETECTED
TOTAL
FALL
NON-FALL
FALL
4 TP
2 FN
6
NON-FALL
5 FP
13 TN
18
REAL
9
15
ACCURACY
70.8%
RECALL
67%
PRECISION
44%
SPECIFICITY
72%
FALL
TOTAL
DETECTED
La tabla X resume los resultados de todos los experimentos.
La precisión global del sistema es de 81.3 %, claramente
afectada por el bajo rendimiento del algoritmo en la ubicación
de la funda protectora.
TABLA X. RESULTADOS TOTALES
DETECTED
TOTAL
FALL
NON-FALL
32 TP
4 FN
36
23 FP
85 TN
108
REAL
NONFALL
89%
PRECISION
REAL
TABLA IX. FUNDA PROTECTORA.
FALL
81.3%
RECALL
14
ACCURACY
TOTAL
89
ACCURACY
TABLA VII. ACTIVIDAD DE HABLAR POR TELÉFONO.
TOTAL
55
NON-FALL
FALL
8 TP
4 FN
12
NON-FALL
2 FP
3 TN
5
10
7
ACCURACY
64.7%
RECALL
66.7%
PRECISION
80%
SPECIFICITY
60%
V.
TOTAL
CONCLUSIÓN Y FUTURA INVESTIGACIÓN
Este artículo presenta un enfoque para detectar caídas
basado en los datos obtenidos por sensores de un teléfono
inteligente. Se proponen dos algoritmos: uno para identificar
la ubicación de los teléfonos inteligentes con respecto al
cuerpo del usuario y otro para detectar caídas. Un total de seis
opciones de ubicación se ofrece al usuario para llevar el
dispositivo: el bolsillo de la camisa en el pecho, el bolsillo
lateral del pantalón, una funda protectora, mientras una
persona está hablando, mientras está escribiendo o leyendo un
mensajes de texto, o si está caminando con el dispositivo en
una mano. Utilizando los ejes del acelerómetro y la magnitud
de la giroscopio, el algoritmo es capaz de determinar la
ubicación del teléfono inteligente. Se detecta una caída cuando
se dispararon tres factores desencadenantes. El primer factor
se activa cuando se detecta una amplitud de pico a pico
anormal máxima. El factor dos se activa cuando el valor actual
promedio de la señal se estabiliza cerca de cero. El factor final
se activa (se detecta una caída) cuando un período de
inactividad (valores de señal están cerca de cero) es constante
para una ventana de tiempo predefinida.
Un total de exactitud de 72% se obtuvo a partir de los
experimentos de algoritmo de selección de ubicación, y una
precisión del 81.3% se calculó a partir de los experimentos de
algoritmo de detección de caída. Los tres primeros lugares de
detección de una caída son: actividad de leer o escribir
mensajes de texto con un 95.8% de precisión de detección de
caída, bolsillo lateral del pantalón con una precisión del 87,5%
y el bolsillo de la camisa en el pecho con una precisión del
83.3%. El rendimiento más bajo se exhibió en la ubicación de
la funda protectora porque los valores del acelerómetro no
cambian tan drásticamente como en otros lugares.
Este trabajo se puede extender en varias formas para
realizar todo el potencial del sistema propuesto. Un sistema
relacionado con caídas depende de la singularidad de los
patrones de movimiento del usuario. Estos, por desgracia,
cambian con el tiempo. El diseño del sistema tiene que ser lo
suficientemente robusto como para tomar en consideración los
cambios en las características cinemáticas del usuario debido
al envejecimiento. La configuración de umbrales puede ser un
reto considerable. Los umbrales dependen del método
utilizado, el tipo de caída (caer hacia adelante, caer hacia
atrás,
etc.) y las características físicas del sujeto de interés. Las
reglas que se aplican a una persona alta no suelen ser las
mismas para una persona de baja estatura y viceversa. El
enfoque común es establecer un umbral que generaliza tanto
como sea posible una población específica. EL consumo de la
batería seria otro tema a investigar para mejorar la eficacia del
sistema.
VI. REFERENCIAS
[1] Cdc.gov, “Falls Among Older Adults: An Overview.”
[2] Cdc.gov, “Public Health and Aging: Trends in Aging — United States
and Worldwide.”
[3] M. A. Habib, M. S. Mohktar, S. B. Kamaruzzaman, K. S. Lim, T. M.
Pin, and F. Ibrahim, “Smartphone-based solutions for fall detection and
prevention: challenges and open issues,” Sensors, vol. 14, no. 4, pp.
7181–208, 2014.
[4] Pewinternet, “Mobile Technology Fact Sheet.”
[5] Alert-1.com, “Fall Detection Technology.”
[6] Medicalguardian.com, “Classic Guardian.”
[7] Vocare.com, “My SafetyButton Medical Alert,”
[8] A. Doulamis and N. Doulamis, “A real-time single-camera approach for
automatic fall detection,” in Proceedings of the conference on remote
sensing and spatial information sciences, (Newcastle), pp. 208–212,
ISPRS, 2010.
[9] S.-G. Miaou, “A customized human fall detection system using omnicamera images and personal information,” in Proceedings of the 1st
transdisciplinary conference on distributed diagnosis and home healthcare, (Arlington), pp. 39–42, IEEE, 2006.
[10] S. Hwang and M. Ryu, “Fall detection with three-axis
accelerometer and magnetometer in a smartphone,” in Proceedings of the
international conference on computer science and technology, (Jeju), pp.
65–70, CST,2012.
[11] M. Kangas, A. Konttila, P. Lindgren, I. Winblad, and T. Jämsä,
“Comparison of low-complexity fall detection algorithms for body attached
accelerometers,” Gait & posture, vol. 28, no. 2, pp. 285–91, 2008.
[12] Uregina.ca, “Confusion Matrix.”
[13] O. D. Lara and M. A. Labrador, “A survey on human activity
recognition using wearable sensors,” IEEE Communications Surveys &
Tutorials, vol. 15, no. 3, pp. 1192–1209, 2013.
[14] L. Valcourt, Y. De La Hoz, and M. Labrador, “ Human Fall Detection
with Smartphones” , 2014.
Luis Valcourt received his B.Sc. in Computer Science from
Universidad de Puerto Rico, Bayamón, Puerto Rico in 2015.
He has experience working with investigations related to
green movement technologies and health related technology.
During his last year, he dedicated his research and internship
with University of South Florida, Tampa Campus, developing an application
for detecting falls, explained in this paper. He is currently working with the
Department of Defense and pursuing a M.Sc. in Enginering Management
from Old Dominion University. His research interests encompass but are not
limited to data analytics, software development, and health related
technologies.
Yueng de La Hoz received his B.Sc. in Electronics
Engineering from Universidad del Norte, Barranquilla,
Colombia, in 2009. He has over two years of industry
experience in the private sector, being involved in projects
related to VoIP systems, Cyber Marketing, and Software
Development. He received his M.Sc. in Computer Science in
2014 from the University of South Florida. He is currently pursuing a doctoral
degree in Computer Science from the University of South Florida. His
research interests encompass but are not limited to machine learning, big data
analytics, software development and networking.
Miguel Labrador received the M.S. in Telecommunications
and the Ph.D. degree in Information Science with
concentration in Telecommunications from the University of
Pittsburgh, in 1994 and 2000, respectively. Since 2001, he has
been with the University of South Florida, Tampa, where he
is currently an Associate Professor in the Department of
Computer Science and Engineering and the Di- rector of the Graduate
Programs and the Research Experiences for Undergraduates Program. His
research interests are in ubiquitous sensing, location-based services, energyefficient mechanisms for wireless sensor networks, and design and
performance evaluation of computer networks and communication protocols.
Dr. Labrador has served as Technical Program Committee member of many
IEEE conferences and is currently area editor of Computer Commu- nications
and editorial board member of the Journal of Network and Computer
Applications, both Elsevier Science journals. Dr. Labrador is the lead author
of ”Location-Based Information Systems - Developing Real-Time Tracking
Applications”, Taylor and Francis and ”Topology Control in Wireless Sensor
Networks”, Springer. Dr. Labrador is senior member of the IEEE and member
of ACM, ASEE and Beta Phi Mu.