Badania eksploatacyjne czterosensorowego detektora upadków

• Autorzy: Wójtowicz B. , Dobrowolski A. P.

Identyfikatory

DOI

10.5604/12345865.1157220

Warianty tytułu

EN

Inspection of four-sensor falls detector

• Konferencja: Międzynarodowa Konferencja Naukowo-Techniczna "Ekomilitaris 2014" (28 ; 09-12.09.2014 ; Zakopane, Polska)
• Języki publikacji: PL

Abstrakty

PL

Zaprezentowane w niniejszym artykule badania stanowią kontynuację dotychczasowych prac mających na celu opracowanie mobilnego detektora upadków. Przedstawiony algorytm opiera się na dyskretnej transformacji falkowej sygnałów z dostępnych w detektorze sensorów oraz pojedynczym klasyfikatorze w postaci sieci wektorów nośnych - SVM (ang. Support Vector Machine). Do procesu redukcji cech zastosowano miarę istotności Fishera. W wyniku zmniejszenia liczby cech zmniejszeniu uległa również liczba wektorów nośnych sieci SVM, mająca bezpośredni wpływ na górne oszacowanie błędu klasyfikacji. Na podstawie otrzymanych wyników wyznaczono parametry klasyfikatora pozwalające na zaprezentowanie opracowanej koncepcji w polu krzywych ROC (ang. Receiver Operating Characteristics) oraz porównanie ich z wynikami otrzymanymi dla pojedynczych sensorów detektora. Opracowana koncepcja daje zdecydowanie lepsze rezultaty niż każdy z sensorów działający niezależnie. Rezultaty przeprowadzonych badań dały bardzo dobre wyniki w porównaniu z dotychczasowymi wynikami, przy znacznej redukcji liczby wymaganych deskryptorów. Z uwagi na ścisłą zależność pomiędzy liczbą danych uczących oraz liczbą wektorów nośnych, które bezpośrednio wpływają na górne oszacowanie błędu klasyfikacji, dokonano redukcji deskryptorów. W rezultacie uzyskano zadowalające efekty przy redukcji liczby deskryptorów z 38 do zaledwie 6, zapewniając, że górne oszacowanie błędu klasyfikacji, w zbiorze nowych danych testowych nie przekracza 5,3%.

EN

The studies presented in this article are the continuation of previous work to develop a mobile fall detector. The algorithm is based on a discrete wavelet transform of the signals from the sensors available at the detector and a linear support vector machine as a classifier. Fisher score method is used for feature selection in the proposed algorithm. As a result of reducing the number of features, the number of support vectors has been also reduced - it has a direct impact on the upper estimate of the classification error. On the basis of the obtained results, the classifier parameters have been calculated. This allows presenting the developed concept in the field of ROC curves (Receiver Operating Characteristics) and their comparison with the results obtained for individual sensors. The developed concept gives much better results than each of the sensors acting independently. The findings of this study have given very good results in comparison with the previous findings, with a significant reduction in the number of required features. Due to the close relationship between the number of training data and the number of support vectors which directly affect the upper estimate of the classification error, the number of features has been reduced. Finally, satisfactory results have been obtained with the reduction of the number of features from 38 to just six, ensuring that the upper estimation of the classification error in the set of the new test data does not exceed 5.3%.

Słowa kluczowe

PL

detekcja upadków; fuzja sensoryczna; dyskretna transformata falkowa; sieć wektorów nośnych

EN

falls detection; data fusion; discrete wavelet transform; support vector machine (SVM)

• Wydawca: Wojskowa Akademia Techniczna im. Jarosława Dąbrowskiego
• Czasopismo: Biuletyn Wojskowej Akademii Technicznej
• Rocznik: 2015
• Tom: Vol. 64, nr 2
• Strony: 45--58
• Opis fizyczny: Bibliogr. 14 poz., wykr.

Twórcy

autor

Wójtowicz B.

• Wojskowa Akademia Techniczna, Wydział Elektroniki, Instytut Systemów Elektronicznych

autor

Dobrowolski A. P.

• Wojskowa Akademia Techniczna, Wydział Elektroniki, Instytut Systemów Elektronicznych

Bibliografia

• [1] Nyan M.N., Tay F.E.H., Koh T.H., Sitoh Y.Y., Tan K.L., Location and sensitivity comparison of MEMS accelerometers in signal identification for ambulatory monitoring, Electron. Components Technol., vol. 1, no. 1-4, Jun. 2004, 956-960.
• [2] Guangyi S., Cheung S.C., Wen J.L., Kwok-Sui L., Yuexian Z., Yufeng J., Mobile Human Airbag System for Fall Protection Using MEMS Sensors and Embedded SVM Classifier, Ieee Sensors Journal, vol. 9, no. 5, May 2009.
• [3] Szpringer M., Wybraniec-Lewicka B., Czerwiak G., Michalska M., Krawczyńska J., Upadki i urazy wieku geriatrycznego, Studia Medyczne 2008.
• [4] Edbom-Kolarz A., Marcinkowski J.T., Upadki osób starszych - przyczyny, następstwa, profilaktyka, Hygeia Public Health, 2011, 313-318.
• [5] Bourke A.K., Lyons G.M., A threshold-based fall-detection algorithm using a biaxial gyroscope sensor, Biomedical Electronics Laboratory, Department of Electronic and Computer Engineering, University of Limerick, Limerick, Ireland, 2006.
• [6] Rigler S.K., Preventing falls in older adults, Hospital Practice, 1999.
• [7] Simpson J.M., Elderly people at risk of falling: the role of muscle weakness, Physiother, 1993.
• [8] Thornby M.A., Balance and falls in the frail older person: a review of the literature, Topics in Geriatric Rehabilitation, 1995.
• [9] Wójtowicz B., Dobrowolski A., Projekt integratora danych sensorycznych do detekcji niekontrolowanych upadków, Biul. WAT, 62, 4, Warszawa, 2013.
• [10] Wójtowicz B., Dobrowolski A., Bezprzewodowy detektor upadków, Elektronika: konstrukcje, technologie, zastosowania, vol. 55, nr 3, Warszawa, 2014, 72-75.
• [11] Wójtowicz B., Dobrowolski A., Detektor upadków oparty na dyskretnej transformacie falkowej oraz niezależnych klasyfikatorach SVM, Elektronika: konstrukcje, technologie, zastosowania, vol. 55, nr 3, Warszawa, 2014, 22-26.
• [12] Smith S., Cyfrowe przetwarzanie sygnałów. Praktyczny poradnik dla inżynierów i naukowców, Wydawnictwo BTC, 2007.
• [13] Osowski S., Markiewicz T„ Kruk M., Kozłowski W., Metody sztucznej inteligencji do wspomagania diagnostyki patologii tkanek, [w:] „Metrologia w medycynie - wybrane zagadnienia”, [red.] A. Michalski, WAT, Warszawa, 2011, 91-126.
• [14] Osowski S., Metody i narzędzia eksploracji danych, Wydawnictwo BTC, Legionowo, 2013.