Evaluating the effectiveness of algorithms used for human fall detection

• Autorzy: Dziadak Bogdan , Czumak Maciej

Identyfikatory

DOI

10.15199/48.2025.03.48

Warianty tytułu

PL

Ocena skuteczności algorytmów stosowanych do wykrywania upadków ludzi

• Języki publikacji: EN

Abstrakty

EN

The article presents research on the implementation and testing of three different algorithms used for fall detection. Two of the algorithms use a time-based waveform analysis and monitoring of fixed values of acceleration and angular velocity. The most effective algorithm is also based on the acceleration value but the fall decision is made by a classifier using SVM. This makes it possible to achieve an algorithm efficiency of 97%.

PL

Artykuł przedstawia badania nad implementacją i testowaniem trzech różnych algorytmów wykorzystywanych do wykrywania upadków. Dwa pierwsze algorytmy wykorzystują analizę przebiegów czasowych i monitorowanie stałych wartości przyspieszenia i prędkości kątowej. Najskuteczniejszy algorytm jest również oparty na wartości przyspieszenia, ale decyzja o upadku jest podejmowana przez klasyfikator wykorzystujący SVM. Dzięki temu możliwe jest uzyskanie skuteczności algorytmu na poziomie 97%.

Słowa kluczowe

EN

fall detector; algorithm; SVM

PL

wykrywanie upadku; algorytm; klasyfikator SVM

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2025
• Tom: R. 101, nr 3
• Strony: 207--210
• Opis fizyczny: Bibliogr. 15 poz., rys., tab.

Twórcy

autor

Dziadak Bogdan

• Institute of Theory of Electrical Engineering, Measurement and Information Systems, Warsaw University of Technology ul. Koszykowa 75 00-662 Warszawa

autor

Czumak Maciej

• Warsaw University of Technology, ul. Koszykowa 75 00-662 Warszawa

Bibliografia

• [1] World Health Organization - Falls. : https://www.who.int/newsroom/ fact-sheets/detail/falls. (01.08.2024)
• [2] PZH - Narodowy Instytut Zdrowia Publicznego, Urazy i upadki osób starszych.: https://pacjent.gov.pl/zapobiegaj/urazy-i-upadki-osob-starszych. (01.08.2024)
• [3] Wang X., Ellul J., Azzopardi, G., „Elderly Fall Detection Systems: A Literature Survey”, Frontiers in Robotics and AI, t. 7, 2020), ISSN: 2296-9144. DOI: 10.3389/frobt.2020.00071
• [4] Mubashir M., Shao L., Seed, L.. A survey on fall detection: Principles and approaches, Neurocomputing, 100 (2013), 144- 152.
• [5] Noury, N., Fleury, A., Rumeau, P., Bourke, A. K., Laighin, G. O., Rialle, V., & Lundy, J. E. Fall detection-principles and methods. (2007) 29th annual international conference of the IEEE engineering in medicine and biology society (pp. 1663- 1666). IEEE.
• [6] Dziadak B., Czumak M., „Personal fall detector using MEMS sensors”, 23rdInternational Conference on Computational Problems of Electrical Engineering, (2022), s. 1–4.
• [7] Kau, L., Chen, C., A Smart Phone-Based Pocket Fall Accident Detection, Positioning, and Rescue System, IEEE Journal of Biomedical and Health Informatics, vol. 19, no. 1, pp. 44-56, (2015) doi: 10.1109/JBHI.2014.2328593.
• [8] Kołodziej M., Majkowski A., Czop W., Tarnowski P., Rak R. J. Sawicki D., „Fall Detection Using a Smartphone”, IEEE 21st International Conference on Computational Problems of Electrical Engineering, (2020), s. 1–4. DOI: 10.1109/CPEE50798.2020.9238691.
• [9] T. Kose Y. Terzioglu, K. A. i Akin, T., A single-mass selfresonating closed-loop capacitive MEMS accelerometer, 2016 IEEE SENSORS, (2016), pp. 1-3, doi: 10.1109/ICSENS. 2016.7808711.
• [10] Hsieh S. T., & Lin C. L.. Fall detection algorithm based on MPU6050 and long-term short-term memory network. 2020 International Automatic Control Conference (CACS) (2020) pp. 1-5. IEEE.
• [11] Werner F., Diermaier J., Panek P., Fall detection with distributed floor-mounted accelerometers: An overview of the development and evaluation of a fall detection system within the project eHome, 2011 5th International Conference on Pervasive Computing Technologies for Healthcare (PervasiveHealth) and Workshops, (2011), pp. 354-361,
• [12] Lin, B.-S. i in., Fall Detection System With Artificial Intelligence- Based Edge Computing, IEEE Access, t. 10, s. 4328–4339, (2022). DOI: 10.1109/ACCESS.2021.3140164.
• [13] Saleh, M., Georgi, N., Abbas, M. I Jeannès, R. L. B., „A Highly Reliable Wrist-Worn Acceleration-Based Fall Detector”, 2019 27th European Signal Processing Conference (EUSIPCO), (2019), s. 1–5. DOI: 10.23919/EUSIPCO.2019.8902563
• [14] Saleh, M., Abbas, M., & Le Jeannes, R. B. FallAllD: An open dataset of human falls and activities of daily living for classical and deep learning applications. IEEE Sensors Journal, (2020) 21(2), 1849-1858.
• [15] Free-lectures Parametryzacja sygnału i ekstrakcja cech https://pre-epodreczniki.open.agh.edu.pl/openaghpermalink_ view.php?moduleId=2074&link=facccf589548c1e88 0246556fba8eab3 (01.08.2024)