The application of machine learning on the sensors of smartphones to detect falls in real-time

• Autorzy: Benba Achraf , Akki Mouna , Sandabad Sara

Identyfikatory

DOI

10.35784/iapgos.3459

Warianty tytułu

PL

Zastosowanie uczenia maszynowego na czujnikach smartfonów do wykrywaniaupadków w czasie rzeczywistym

• Języki publikacji: EN

Abstrakty

EN

With the increasing prevalence of smartphones, they now come equipped with a multitude of sensors such as GPS, microphones, cameras, magnetometers, accelerators, and more, which can simplify our daily lives. When it comes to healthcare, smartphones can become indispensable.The detection of geriatric falls is crucial as even the slightest injury can havefatal consequences. Therefore, we proposed the use of accelerometers in our research to detect falls in the elderly. Our project involved the development of an automated, continuous, and reliable monitoring system that would generate a list of elderly people at risk of falling and present it on a webpage for emergency services. This approach aimed to minimize the long-term impacts and save lives promptly. We started by developing a mobile application and used MATLAB to classify the falls as either "fall" or "not fall." Finally, we created a webpage that would facilitate communication between the mobile application and MATLAB.

PL

Wraz z rosnącąpopularnością smartfonów są one wyposażone w wiele czujników, takich jak GPS, mikrofony, kamery, magnetometry, akceleratory i inne, które mogą uprościć nasze codzienne życie. Jeśli chodzi o opiekę zdrowotną, smartfony mogą stać się niezastąpione. Wykrywanie upadków geriatrycznych ma kluczowe znaczenie, ponieważ nawet najmniejszy uraz może mieć śmiertelne konsekwencje. Dlatego zaproponowanowykorzystanie w naszych badaniach akcelerometrów do wykrywania upadków osób starszych. Nasz projekt polegał na opracowaniu zautomatyzowanego, ciągłego i niezawodnego systemu monitoringu, który generowałby listę osób starszych zagrożonych upadkiem i prezentował ją na stronie internetowej służb ratowniczych. Podejście to miało na celu zminimalizowanie długoterminowych skutków i szybkie ratowanie życia. Rozpoczęto od opracowania aplikacji mobilnej i za pomocą MATLABa sklasyfikowano upadki jako „upadek” lub „nie upadek”. Ostatecznie stworzono stronę internetową, która ułatwiłaby komunikację między aplikacją mobilną a MATLABem.

Słowa kluczowe

EN

fall detection; smartphone accelerometers; SVM; KNN; machine learning

PL

detekcja upadku; akcelerometry smartfonów; SVM; KNN; uczenie maszynowe

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2023
• Tom: T. 13, nr 2
• Strony: 50--55
• Opis fizyczny: Bibliogr. 17 poz., tab., rys.

Twórcy

autor

Benba Achraf

• MohammedV University in Rabat, Ecole Nationale Supérieure d'Arts et Métiers, Electronic Systems Sensors and Nanobiotechnologies, Rabat, Morocco

• https://orcid.org/0000-0001-7939-0790

autor

Akki Mouna

• MohammedV University in Rabat, Ecole Nationale Supérieure d'Arts et Métiers, Electronic Systems Sensors and Nanobiotechnologies, Rabat, Morocco

• https://orcid.org/0009-0001-8532-1158

autor

Sandabad Sara

• Hassan II University of Casablanca,Ecole Normale Supérieure de l'Enseignement Technique de Mohammadia, Electrical Engineering and Intelligent Systems, Casablanca, Morocco

• https://orcid.org/0000-0002-0813-6178

Bibliografia

• [1] Bouilly M., Thélot B.: Les accidents de la vie courante aux urgences en France métropolitaine en 2010 selon l’enquête EPAC. Revue d'Épidémiologie et de Santé Publique 60, 2012, S145.
• [2] Cherkassky V., Ma Y.: Practical selection of SVM parameters and noise estimation for SVM regression. Neural networks 17(1), 2004, 113–126 [http://doi.org/10.1016/S0893-6080(03)00169-2].
• [3] El Attaoui A. et al.: Machine learning‐based edge‐computing on a multi‐level architecture of WSN and IoT for real‐time fall detection. IET Wireless Sensor Systems 10(6), 2020, 320–332 [http://doi.org/10.1049/iet-wss.2020.0091].
• [4] Enterprise J.: HTML, PHP, dan MySQL untuk Pemula. Elex Media Komputindo 2018.
• [5] Er P. V., Tan K. K.: Non-intrusive fall detection monitoring for the elderly based on fuzzy logic. Measurement 124, 2018, 91–102 [http://doi.org/10.1016/j.measurement.2018.04.009].
• [6] Fukunaga K.: Introduction to statistical pattern recognition. Elsevier 2013.
• [7] Guo G. et al.: KNN model-based approach in classification. Lecture Notes in Computer Science 2888, 2003 [http://doi.org/10.1007/978-3-540-39964-3_62].
• [8] James K.: Falls and Fall Prevention in the Elderly. West Indian Med J. 56(6), 2007, 534.
• [9] Le H. L. et al.: A novel feature set extraction based on accelerometer sensor data for improving the fall detection system. Electronics 11(7), 2022, 1030 [http://doi.org/10.3390/electronics11071030].
• [10] Li D., Wu M.: Pattern recognition receptors in health and diseases. Signal transduction and targeted therapy 6(1), 2021, 291 [http://doi.org/10.1038/s41392-021-00687-0].
• [11] Noury N. et al.: Fall detection-principles and methods. 29th annual international conference of the IEEE engineering in medicine and biology society, 2007, 1663–1666 [http://doi.org/10.1109/IEMBS.2007.4352627].
• [12] Pannurat N. et al.: Automatic fall monitoring: A review. Sensors 14(7), 2014, 12900–12936 [http://doi.org/10.3390/s140712900].
• [13] Patton E. W.: MIT app inventor: Objectives, design, and development. Computational thinking education, 2019, 31–49 [http://doi.org/10.1007/978-981-13-6528-7].
• [14] Rashid F. A.: Simulation of SisFall Dataset for Fall Detection Using MATLAB Classifier Algorithms. 12th International Symposium on Parallel Architectures, Algorithms and Programming – PAAP, 2021, 62–68, [http://doi.org/10.1109/PAAP54281.2021.9720481].
• [15] Sucerquia A. et al.: SisFall: A fall and movement dataset. Sensors 17(1), 2017, 198 [http://doi.org/10.3390/s17010198].
• [16] World Health Organization: Ageing, Life Course Unit. WHO global report on falls prevention in older age. World Health Organization; 2008.
• [17] Zhang S. et al.: Learning k for kNN classification. ACM Transactions on Intelligent Systems and Technology 8(3), 2017, 1–9 [http://doi.org/10.1145/2990508].

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).