Bioengineering

फॉल डिटेक्शन सिस्टम सरलीकरण के लिए डिजाइन और विश्लेषण

Published: April 6, 2020 doi: 10.3791/60361

Lourdes Martinez-Villaseñor¹, Hiram Ponce¹

¹Facultad de Ingeniería, Universidad Panamericana

Summary

हम एक सरल, आरामदायक और तेजी से गिरावट का पता लगाने और मानव गतिविधि मान्यता प्रणाली को कॉन्फ़िगर करने के लिए मल्टीमॉडल सेंसर पर आधारित एक कार्यप्रणाली प्रस्तुत करते हैं। लक्ष्य सटीक गिरावट का पता लगाने के लिए एक प्रणाली का निर्माण करना है जिसे आसानी से लागू किया जा सकता है और अपनाया जा सकता है।

Abstract

यह पेपर एक सरल, आरामदायक और तेजी से गिरावट का पता लगाने और मानव गतिविधि मान्यता प्रणाली को कॉन्फ़िगर करने के लिए मल्टीमॉडल सेंसर पर आधारित एक कार्यप्रणाली प्रस्तुत करता है जिसे आसानी से लागू और अपनाया जा सकता है। कार्यप्रणाली विशिष्ट प्रकार के सेंसर, मशीन-लर्निंग विधियों और प्रक्रियाओं के विन्यास पर आधारित है। प्रोटोकॉल को चार चरणों में विभाजित किया गया है: (1) डेटाबेस निर्माण (2) डेटा विश्लेषण (3) प्रणाली सरलीकरण और (4) मूल्यांकन। इस पद्धति का उपयोग करते हुए, हमने गिरावट का पता लगाने और मानव गतिविधि मान्यता, अर्थात् अप-फॉल डिटेक्शन के लिए एक मल्टीमॉडल डेटाबेस बनाया। इसमें 17 विषयों के डेटा नमूने शामिल हैं जो 3 परीक्षणों के दौरान 5 प्रकार के फॉल्स और 6 अलग-अलग सरल गतिविधियों को अंजाम देते हैं। सभी जानकारी 5 पहनने योग्य सेंसर (त्रिकोणीय धुरी एक्सेलेरोमीटर, जायरोस्कोप और प्रकाश तीव्रता), 1 इलेक्ट्रोएंसेफेलोग्राफ हेलमेट, परिवेश सेंसर के रूप में 6 अवरक्त सेंसर, और पार्श्व और सामने दृष्टिकोण में 2 कैमरों का उपयोग कर के इकट्ठा किया गया था । प्रस्तावित उपन्यास पद्धति गिरावट का पता लगाने प्रणाली को सरल बनाने के लिए निम्नलिखित डिजाइन मुद्दों का गहरा विश्लेषण करने के लिए कुछ महत्वपूर्ण चरणों को जोड़ती है: ए) चुनें कि एक साधारण गिरावट का पता लगाने प्रणाली में सेंसर या संयोजन का उपयोग किया जाना है, बी) सूचना के स्रोतों का सबसे अच्छा प्लेसमेंट निर्धारित करता है, और सी) गिरावट और मानव गतिविधि का पता लगाने और मान्यता के लिए सबसे उपयुक्त मशीन लर्निंग वर्गीकरण विधि का चयन करें। हालांकि साहित्य में रिपोर्ट किए गए कुछ बहुआयामी दृष्टिकोण केवल उपरोक्त मुद्दों में से एक या दो पर ध्यान केंद्रित करते हैं, हमारी कार्यप्रणाली मानव गिरावट और गतिविधि का पता लगाने और मान्यता प्रणाली से संबंधित इन तीन डिजाइन समस्याओं को एक साथ हल करने की अनुमति देती है।

Introduction

चूंकि जनसंख्या¹की विश्व घटना में गिरावट का प्रचलन बढ़ा है और वास्तव में इसे एक प्रमुख स्वास्थ्य समस्या माना जाता है^। जब गिरावट आती है, तो नकारात्मक परिणामों को कम करने के लिए लोगों को तत्काल ध्यान देने की आवश्यकता होती है। फॉल डिटेक्शन सिस्टम उस समय की मात्रा को कम कर सकता है जिसमें गिरावट आने पर किसी व्यक्ति को अलर्ट भेजने पर चिकित्सा ध्यान मिलता है।

फॉल डिटेक्शन सिस्टम³के विभिन्न वर्गीकरण हैं । शुरुआती काम करता है⁴ का पता लगाने की उनकी विधि, मोटे तौर पर विश्लेषणात्मक तरीकों और मशीन लर्निंग विधियों द्वारा गिरावट का पता लगाने प्रणाली वर्गीकृत । हाल ही में, अन्य लेखकों^3,^,^5,^,⁶ ने डेटा अधिग्रहण सेंसर को गिरावट डिटेक्टरों को वर्गीकृत करने के लिए मुख्य विशेषता माना है। Igual et अल.³ संदर्भ-जागरूक प्रणालियों में गिरावट का पता लगाने प्रणाली को विभाजित करता है, जिसमें दृष्टि और परिवेश-सेंसर आधारित दृष्टिकोण और पहनने योग्य डिवाइस सिस्टम शामिल हैं। मुबशीर एट अल.⁵ डेटा अधिग्रहण के लिए उपयोग किए जाने वाले उपकरणों के आधार पर तीन समूहों में गिरावट डिटेक्टरों को वर्गीकृत करता है: पहनने योग्य उपकरण, माहौल सेंसर, और दृष्टि आधारित उपकरण। पेरी एट अल⁶ त्वरण को मापने के तरीकों पर विचार करता है, अन्य तरीकों के साथ संयुक्त त्वरण को मापने के तरीकों, और त्वरण को मापने के तरीकों को मापने नहीं है। इन सर्वेक्षणों से, हम यह निर्धारित कर सकते हैं कि सामान्य अनुसंधान रणनीति को वर्गीकृत करने के लिए सेंसर और विधियां मुख्य तत्व हैं।

सेंसर के प्रत्येक कमजोरियों और ताकत Xu एट अल⁷में चर्चा की है । विजन-आधारित दृष्टिकोण मुख्य रूप से सामान्य कैमरों, गहराई सेंसर कैमरों, और/या गति कैप्चर सिस्टम का उपयोग करते हैं। सामान्य वेब कैमरे कम लागत वाले और उपयोग में आसान होते हैं, लेकिन वे पर्यावरणीय स्थितियों (प्रकाश भिन्नता, ऑक्सीलेशन, आदि) के प्रति संवेदनशील होते हैं, केवल कम जगह में उपयोग किया जा सकता है, और गोपनीयता के मुद्दे होते हैं। गहराई कैमरे, जैसे किनेक्ट, पूर्ण शरीर 3 डी मोशन⁷ प्रदान करते हैं और सामान्य कैमरों की तुलना में प्रकाश की स्थिति से कम प्रभावित होते हैं। हालांकि, Kinect पर आधारित दृष्टिकोण के रूप में मजबूत और विश्वसनीय नहीं हैं । मोशन कैप्चर सिस्टम अधिक महंगे और उपयोग करने में मुश्किल हैं।

एक्सेलेरोमीटर उपकरणों और स्मार्ट फोन/बिल्ट-इन एक्सेलेरोमीटर के साथ घड़ियों के आधार पर दृष्टिकोण का उपयोग आमतौर पर गिरावट का पता लगाने के लिए किया जाता है । इन उपकरणों की मुख्य खामी यह है कि इन्हें लंबी अवधि के लिए पहनना पड़ता है। असुविधा, अस्पष्टता, शरीर प्लेसमेंट और अभिविन्यास इन दृष्टिकोणों में हल किए जाने वाले डिजाइन मुद्दे हैं। हालांकि स्मार्टफोन और स्मार्ट घड़ियां कम विनीत उपकरण हैं जो सेंसर, बड़े लोग अक्सर भूल जाते हैं या हमेशा इन उपकरणों को नहीं पहनते हैं । फिर भी, इन सेंसरों और उपकरणों का लाभ यह है कि वे कई कमरों में इस्तेमाल किया जा सकता है और/

कुछ सिस्टम फॉल्स/गतिविधियों को पहचानने के लिए पर्यावरण के आसपास रखे गए सेंसर का उपयोग करते हैं, इसलिए लोगों को सेंसर पहनने की नहीं है । हालांकि ये सेंसर उन जगहों तक भी सीमित हैं, जहां इन्हें⁸ तैनात किया जाता है और कभी-कभी इंस्टॉल करना मुश्किल होता है। हाल ही में, मल्टीमॉडल फॉल डिटेक्शन सिस्टम में अधिक सटीकता और मजबूती हासिल करने के लिए दृष्टि, पहनने योग्य और परिवेश सेंसर के विभिन्न संयोजन शामिल हैं। वे कुछ एकल सेंसर सीमाओं को भी दूर कर सकते हैं।

फॉल डिटेक्शन के लिए उपयोग की जाने वाली पद्धति बुलिंग एट अल 9 द्वारा प्रस्तुत मानव गतिविधि मान्यता श्रृंखला (एआरसी) से निकटता से संबंधित^है,जिसमें डेटा अधिग्रहण, सिग्नल प्रीप्रोसेसिंग और सेगमेंटेशन, सुविधा निष्कर्षण और चयन, प्रशिक्षण और वर्गीकरण के लिए चरण होते हैं। डिजाइन के मुद्दों को इन चरणों में से प्रत्येक के लिए हल किया जाना चाहिए। प्रत्येक चरण में विभिन्न तरीकों का उपयोग किया जाता है।

हम एक सरल, आरामदायक और तेज मानव गिरावट और मानव गतिविधि का पता लगाने/मान्यता प्रणाली को विन्यस्त करने के लिए मल्टीमॉडल सेंसर पर आधारित एक पद्धति प्रस्तुत करते हैं । लक्ष्य सटीक गिरावट का पता लगाने के लिए एक प्रणाली का निर्माण करना है जिसे आसानी से लागू किया जा सकता है और अपनाया जा सकता है। प्रस्तावित उपन्यास पद्धति एआरसी पर आधारित है, लेकिन यह प्रणाली को सरल बनाने के लिए निम्नलिखित मुद्दों का गहरा विश्लेषण करने के लिए कुछ महत्वपूर्ण चरणों को जोड़ता है: (क) चुनें कि सेंसर के सेंसर या संयोजन का उपयोग एक साधारण गिरावट का पता लगाने प्रणाली में किया जाना है; (ख) सूचना स्त्रोतों का सर्वोत्तम स्थान निर्धारित करें ; और (ग) एक सरल प्रणाली बनाने के लिए गिरावट का पता लगाने और मानव गतिविधि मान्यता के लिए सबसे उपयुक्त मशीन लर्निंग वर्गीकरण विधि का चयन करें ।

साहित्य में कुछ संबंधित कार्य हैं जो उपरोक्त डिजाइन मुद्दों में से एक या दो को संबोधित करते हैं, लेकिन हमारी जानकारी के लिए, ऐसा कोई काम नहीं है जो इन सभी समस्याओं को दूर करने की कार्यप्रणाली पर केंद्रित हो।

संबंधित काम करता है गिरावट का पता लगाने और मानव गतिविधि मांयता^10,^,^11,^,¹² के लिए बहुमॉडल दृष्टिकोण का उपयोग करने के लिए मजबूती हासिल करने और परिशुद्धता बढ़ाने के लिए । Kwolek एट अल¹⁰ डिजाइन और एक्सेलेरोमेट्रिक डेटा और गहराई नक्शे के आधार पर एक गिरावट का पता लगाने प्रणाली के कार्यान्वयन का प्रस्ताव रखा । उन्होंने एक दिलचस्प कार्यप्रणाली तैयार की जिसमें संभावित गिरावट के साथ-साथ व्यक्ति की गति का पता लगाने के लिए तीन-धुरी एक्सेलेरोमीटर लागू किया जाता है। यदि त्वरण उपाय एक सीमा से अधिक है, तो एल्गोरिदम एक व्यक्ति को ऑनलाइन अपडेट किए गए गहराई संदर्भ मानचित्र से गहराई मानचित्र को अलग करता है। एक समर्थन वेक्टर मशीन वर्गीकरण का उपयोग करगहराई और एक्सेलेरोमीटर संयोजनों का विश्लेषण किया गया था।

ओपली एट अल¹¹ ने नई मानव गतिविधि मान्यता प्रणालियों के लिए एक टेस्टबेड प्रदान करने के लिए एक मल्टीमॉडल ह्यूमन एक्शन डाटाबेस (MHAD) प्रस्तुत किया। डेटासेट महत्वपूर्ण है क्योंकि कार्रवाई 1 ऑप्टिकल मोशन कैप्चर सिस्टम, 4 मल्टी-व्यू कैमरे, 1 काइनेक्ट सिस्टम, 4 माइक्रोफोन और 6 वायरलेस एक्सेलेरोमीटर का उपयोग करके एक साथ इकट्ठा की गई थी। लेखकों ने प्रत्येक तौर-तरीकों के लिए परिणाम प्रस्तुत किए: किनेक्ट, मोकैप, एक्सेलेरोमीटर, और ऑडियो।

Dovgan एट अल¹² बुजुर्गों में गिर जाता है सहित असंगत व्यवहार का पता लगाने के लिए एक प्रोटोटाइप का प्रस्ताव रखा । उन्होंने गिरावट और असामान्य व्यवहार का पता लगाने के लिए सबसे उपयुक्त उपकरण खोजने के लिए तीन सेंसर सिस्टम के लिए परीक्षण डिजाइन किए। पहले प्रयोग में एक स्मार्ट सेंसर सिस्टम से डेटा होता है जिसमें कूल्हों, घुटनों, टखने, कलाई, कोहनी और कंधों से जुड़े 12 टैग होते हैं। उन्होंने कमर, छाती और दोनों एड़ियों से जुड़े चार टैग और एक एक्ससेंस एक्सेलेरोमीटर के साथ एक यूबीसेंस सेंसर सिस्टम का उपयोग करके एक परीक्षण डेटासेट भी बनाया। एक तीसरे प्रयोग में, चार विषयों केवल Ubisense प्रणाली का उपयोग करते हुए गिर जाता है के 4 प्रकार, असंगत व्यवहार और दैनिक जीवन (ADL) की विभिन्न गतिविधि के रूप में 4 स्वास्थ्य समस्याओं का प्रदर्शन ।

साहित्य^13,^,^14,^,¹⁵ में अन्य कार्य कई वर्गीकृतकर्ताओं के साथ सेंसर के विभिन्न संयोजनों के प्रदर्शन की तुलना में गिरावट का पता लगाने के लिए सेंसर या उपकरणों का सबसे अच्छा प्लेसमेंट खोजने की समस्या का समाधान करते हैं। सैंटोयो एट अल¹³ ने फॉल डिटेक्शन के लिए 5 सेंसर के स्थान के महत्व का मूल्यांकन करते हुए एक व्यवस्थित आकलन प्रस्तुत किया । उन्होंने कश्मीर-निकटतम पड़ोसियों (KNN), सपोर्ट वेक्टर मशीनों (एसवीएम), भोली बाय्स (एनबी) और निर्णय वृक्ष (डीटी) वर्गीकरण का उपयोग करके इन सेंसर संयोजनों के प्रदर्शन की तुलना की। वे निष्कर्ष निकालते हैं कि इस विषय पर सेंसर के स्थान का उपयोग किए गए क्लासिफायर से स्वतंत्र पतन डिटेक्टर प्रदर्शन पर एक महत्वपूर्ण प्रभाव पड़ता है।

फॉल डिटेक्शन के लिए शरीर पर वियरेबल सेंसर प्लेसमेंट की तुलना Özdemir¹⁴द्वारा प्रस्तुत की गई थी । सेंसर प्लेसमेंट निर्धारित करने के लिए, लेखक ने निम्नलिखित पदों के 31 सेंसर संयोजनों का विश्लेषण किया: सिर, कमर, छाती, दाहिनी कलाई, दाएं टखने और दाहिनी जांघ। चौदह स्वयंसेवकों ने 20 नकली फॉल्स और 16 एडीएल का प्रदर्शन किया । उन्होंने पाया कि सबसे अच्छा प्रदर्शन तब प्राप्त किया गया जब इन संपूर्ण संयोजन प्रयोगों से कमर पर एक सेंसर तैनात किया जाता है । एक और तुलना Ntanasis¹⁵ द्वारा प्रस्तुत किया गया था Özdemir डेटासेट का उपयोग कर । लेखकों ने निम्नलिखित वर्गाकारों का उपयोग करके सिर, छाती, कमर, कलाई, टखने और जांघ पर एकल पदों की तुलना की: J48, KNN, आरएफ, यादृच्छिक समिति (आर सी) और एसवीएम।

गिरने का पता लगाने के लिए विभिन्न कम्प्यूटेशनल तरीकों के प्रदर्शन के मानक साहित्य¹⁶^,¹⁷^,¹⁸में भी पाए जा सकते हैं . बडाला एट अल¹⁶ ने वास्तविक फॉल्स पर परीक्षण किए गए तेरह फॉल डिटेक्शन तरीकों के प्रदर्शन को बेंचमार्क करने के लिए एक व्यवस्थित तुलना प्रस्तुत की । वे केवल कमर या ट्रंक पर रखे गए एक्सेलेरोमीटर माप के आधार पर एल्गोरिदम मानते थे। Bourke एट अल¹⁷ ADLs के एक डेटासेट का उपयोग कर गिरावट का पता लगाने के लिए पांच विश्लेषणात्मक एल्गोरिदम के प्रदर्शन का मूल्यांकन किया और एक्सेलेरोमीटर रीडिंग के आधार पर गिर जाता है । केरडेगारी¹⁸ ने रिकॉर्ड किए गए त्वरण डेटा के एक सेट के लिए विभिन्न वर्गीकरण मॉडलों के प्रदर्शन की तुलना भी की । फॉल डिटेक्शन के लिए इस्तेमाल किए जाने वाले एल्गोरिदम में जीरोआर, वनर, एनबी, डीटी, मल्टीलेयर परसेप्ट्रॉन और एसवीएम थे ।

पतन का पता लगाने के लिए एक पद्धति अलाज़राई एट अल द्वारा प्रस्तावित किया गया था^। मानव गतिविधि के संचित हिस्टोग्राम आधारित प्रतिनिधित्व के निर्माण के लिए मोशन पोज ज्यामितीय वर्णनकर्ता का उपयोग कर । उन्होंने काइनेक्ट सेंसर के साथ एकत्र किए गए डेटासेट का उपयोग करके ढांचे का मूल्यांकन किया।

सारांश में, हमें मल्टीमॉडल फॉल डिटेक्शन संबंधित काम^10,^,^11,^,¹² मिले जो तौर-तरीकों के विभिन्न संयोजनों के प्रदर्शन की तुलना करते हैं। कुछ लेखक सेंसर^13,^,^14,^,^15,या सेंसर¹³ के संयोजन ों के सर्वश्रेष्ठ प्लेसमेंट को खोजने की समस्या का समाधान करते हैं, जिसमें कई वर्गीकृत^13,^15,^,¹⁶ एक ही तौर-तरीकों और एक्सेलेरोमीटर के कई सेंसरों के साथ होते हैं।^, साहित्य में कोई काम नहीं मिला जो एक ही समय में प्लेसमेंट, मल्टीमॉडल कॉम्बिनेशन और क्लासिफायर बेंचमार्क को संबोधित करता है।

Protocol

यहां बताए गए सभी तरीकों को यूनीवर्सिड पनअमेरिकाके स्कूल ऑफ इंजीनियरिंग की रिसर्च कमेटी ने मंजूरी दे दी है।

नोट: यह पद्धति एक सरल, तेज और बहुआयामी गिरावट का पता लगाने और मानव गतिविधि मान्यता प्रणाली को कॉन्फ़िगर करने के लिए विशिष्ट प्रकार के सेंसर, मशीन-लर्निंग विधियों और प्रक्रियाओं के विन्यास पर आधारित है। इसके कारण, निम्नलिखित प्रोटोकॉल चरणों में विभाजित है: (1) डेटाबेस निर्माण (2) डेटा विश्लेषण (3) प्रणाली सरलीकरण और (4) मूल्यांकन।

1. डाटाबेस निर्माण

डाटा अधिग्रहण प्रणाली स्थापित करें। यह विषयों से सभी डेटा एकत्र करेगा और जानकारी को पुनर्प्राप्ति डेटाबेस में संग्रहीत करेगा।
1. जानकारी के स्रोतों के रूप में आवश्यक पहनने योग्य सेंसर, परिवेश सेंसर और दृष्टि-आधारित उपकरणों के प्रकारों का चयन करें। जानकारी के प्रत्येक स्रोत के लिए एक आईडी असाइन करें, प्रति स्रोत चैनलों की संख्या, तकनीकी विनिर्देशऔर उनमें से प्रत्येक की नमूना दर।
2. जानकारी के सभी स्रोतों (यानी, पहनने योग्य और परिवेश सेंसर, और दृष्टि आधारित उपकरणों) को केंद्रीय कंप्यूटर या वितरित कंप्यूटर सिस्टम से कनेक्ट करें:
  1. सत्यापित करें कि वायर्ड-आधारित डिवाइस एक क्लाइंट कंप्यूटर से ठीक से जुड़े हुए हैं। सत्यापित करें कि वायरलेस आधारित उपकरणपूरी तरह से चार्ज किए जाते हैं। विचार करें कि कम बैटरी वायरलेस कनेक्शन या सेंसर मूल्यों को प्रभावित कर सकती है। इसके अलावा, आंतरायिक या खोए हुए कनेक्शन डेटा के नुकसान में वृद्धि करेंगे।
3. डेटा को पुनः प्राप्त करने के लिए प्रत्येक उपकरण की स्थापना करें।
4. क्लाउड पर डेटा स्टोर करने के लिए डेटा अधिग्रहण प्रणाली स्थापित करें। संग्रहीत होने वाले डेटा की अधिक मात्रा के कारण, क्लाउड कंप्यूटिंग को इस प्रोटोकॉल में माना जाता है।
5. मान्य है कि डेटा अधिग्रहण प्रणाली डेटा सिंक्रोनाइजेशन और डेटा स्थिरता²⁰ गुणों को पूरा करती है। यह जानकारी के सभी स्रोतों से डेटा भंडारण की अखंडता को बनाए रखता है। इसके लिए डेटा सिंक्रोनाइजेशन में नए दृष्टिकोणों की आवश्यकता हो सकती है। उदाहरण के लिए, पेनाफोर्ट-एस्टुरियानो एट अल²⁰देखें।
  1. जानकारी के स्रोतों के साथ कुछ डेटा एकत्र करना शुरू करें और एक पसंदीदा प्रणाली में डेटा स्टोर करें। सभी डेटा में टाइमस्टैंप शामिल करें।
  2. डेटाबेस क्वेरी करें और निर्धारित करें कि जानकारी के सभी स्रोत एक ही नमूना दरों पर एकत्र किए जाते हैं या नहीं। यदि ठीक से किया जाता है, तो चरण 1.1.6 पर जाएं। अन्यथा, पेनाफोर्ट-एस्टुरियानो, एट अल²⁰में रिपोर्ट किए गए मानदंडों का उपयोग करके अप-सैंपलिंग या डाउन-सैंपलिंग करें।
6. आवश्यक शर्तों और प्रणाली के लक्ष्य द्वारा लगाए गए प्रतिबंधों पर विचार करके पर्यावरण (या प्रयोगशाला) की स्थापना करें। प्रतिभागियों की सुरक्षा सुनिश्चित करने के लिए लाचा, एट अल²³ में सुझाए गए अनुरूप फ्लोरिंग सिस्टम के रूप में नकली फॉल्स में प्रभाव बल क्षीणन के लिए शर्तें निर्धारित करें।
  1. एक गद्दे या किसी अन्य आज्ञाकारी फर्श प्रणाली का उपयोग करें और इसे पर्यावरण (या प्रयोगशाला) के केंद्र में रखें।
  2. सभी वस्तुओं को गद्दे से दूर रखें ताकि चारों ओर कम से कम एक मीटर सुरक्षित स्थान दिया जा सके। यदि आवश्यक हो, तो प्रतिभागियों के लिए व्यक्तिगत सुरक्षा उपकरण तैयार करें (जैसे, दस्ताने, टोपी, चश्मे, घुटने का समर्थन, आदि)।
    नोट: प्रोटोकॉल यहां रोका जा सकता है ।
मानव गतिविधियों का निर्धारण करें और गिरता है कि सिस्टम विन्यास के बाद पता लगा लेगा। यह गिरावट का पता लगाने और मानव गतिविधि मांयता प्रणाली के उद्देश्य को ध्यान में रखना महत्वपूर्ण है, साथ ही लक्ष्य आबादी ।
1. फॉल डिटेक्शन और ह्यूमन एक्टिविटी रिकग्निशन सिस्टम के लक्ष्य को परिभाषित करें। इसे प्लानिंग शीट में लिखें। इस केस स्टडी के लिए, लक्ष्य बुजुर्ग लोगों के इनडोर दैनिक आधार में किए गए मानव फॉल्स और गतिविधियों के प्रकारों को वर्गीकृत करना है।
2. सिस्टम के लक्ष्य के अनुसार प्रयोग की लक्षित आबादी को परिभाषित करें। इसे प्लानिंग शीट में लिखें। अध्ययन में बुजुर्ग लोगों को लक्षित आबादी मानते हैं।
3. दैनिक गतिविधियों के प्रकार निर्धारित करें। वास्तविक गिरावट का पता लगाने में सुधार करने के लिए कुछ गैर-गिरावट गतिविधियों को शामिल करें जो फॉल्स की तरह दिखते हैं। उन सभी के लिए एक आईडी असाइन करें और उन्हें यथासंभव विस्तृत के रूप में वर्णित करें। प्रत्येक गतिविधि को निष्पादित करने के लिए समय अवधि निर्धारित करें। यह सारी जानकारी प्लानिंग शीट में लिखें।
4. मानव फॉल्स के प्रकार का निर्धारण करें। उन सभी के लिए एक आईडी असाइन करें और उन्हें यथासंभव विस्तृत के रूप में वर्णित करें। प्रत्येक गिरावट को निष्पादित करने के लिए समय अवधि निर्धारित करें। विचार करें कि क्या फॉल्स विषयों द्वारा स्वयं उत्पन्न होगा या दूसरों द्वारा उत्पन्न होगा (उदाहरण के लिए, विषय को आगे बढ़ाना)। यह सारी जानकारी प्लानिंग शीट में लिखें।
5. योजना पत्र में, गतिविधियों के दृश्यों को लिखें और गिरता है कि एक विषय प्रदर्शन करेगा। समय की अवधि, प्रति गतिविधि/गिरावट के परीक्षणों की संख्या, गतिविधि/गिरावट करने के लिए विवरण, और गतिविधि/गिरावट आईडीएस निर्दिष्ट करें ।
  नोट: प्रोटोकॉल यहां रोका जा सकता है ।
अध्ययन के लिए प्रासंगिक विषयों का चयन करें जो गतिविधियों और गिरने के दृश्यों को निष्पादित करेंगे। फॉल्स वास्तविक जीवन में पकड़ने के लिए दुर्लभ घटनाएं हैं और आमतौर पर पुराने व्यक्तियों को होती हैं। फिर भी, सुरक्षा कारणों से, चिकित्सा सलाह के तहत गिरावट सिमुलेशन में बुजुर्ग और बिगड़ा लोगों को शामिल नहीं है । चोटों से बचने के लिए स्टंट का इस्तेमाल किया गया है²²।
1. विषयों के लिंग, आयु सीमा, वजन और ऊंचाई निर्धारित करें। आवश्यक किसी भी हानि शर्तों को परिभाषित करें। साथ ही प्रयोग के लिए जरूरी विषयों की न्यूनतम संख्या को परिभाषित करें।
2. पिछले चरण में बताई गई शर्तों का पालन करते हुए बेतरतीब ढंग से आवश्यक विषयों के सेट का चयन करें। स्वयंसेवकों के लिए एक कॉल का उपयोग करें उन्हें भर्ती करने के लिए. संस्था और देश से लागू सभी नैतिक दिशानिर्देशों को पूरा करें, साथ ही मनुष्यों के साथ प्रयोग करते समय किसी भी अंतरराष्ट्रीय नियमन।
  नोट: प्रोटोकॉल यहां रोका जा सकता है ।
विषयों से डेटा को पुनः प्राप्त करें और स्टोर करें। यह जानकारी आगे प्रायोगिक विश्लेषण के लिए उपयोगी होगी। एक नैदानिक विशेषज्ञ या एक जिम्मेदार शोधकर्ता द्वारा पर्यवेक्षण के तहत निम्नलिखित चरणों को पूरा करें।
1. चरण 1.1 में कॉन्फ़िगर किए गए डेटा अधिग्रहण प्रणाली के साथ डेटा एकत्र करना शुरू करें।
2. प्रत्येक विषय से पूछें कि गतिविधियों के दृश्यों को करें और चरण 1.2 में घोषित हो। स्पष्ट रूप से प्रत्येक गतिविधि के शुरू और अंत के टाइमस्टैंपर को बचाएं/ सत्यापित करें कि जानकारी के सभी स्रोतों से डेटा क्लाउड पर सहेजा जाता है।
3. यदि गतिविधियां ठीक से नहीं की गई थीं या उपकरणों (उदाहरण के लिए, खोए हुए कनेक्शन, कम बैटरी, आंतरायिक कनेक्शन) के साथ समस्याएं थीं, तो नमूनों को त्यागदें और चरण 1.4.1 दोहराएं जब तक कि कोई डिवाइस समस्या एंनहीं मिलती है। प्रत्येक परीक्षण के लिए चरण 1.4.2 दोहराएं, प्रति विषय, चरण 1.2 के अनुक्रम में घोषित।
  नोट: प्रोटोकॉल यहां रोका जा सकता है ।
प्राप्त सभी डेटा को पूर्व-प्रक्रिया करें। जानकारी के प्रत्येक स्रोत के लिए अप-सैंपलिंग और डाउन-सैंपलिंग करें। मार्टिनेज-विल्सेनोर एट अल²¹में गिरावट का पता लगाने और मानव गतिविधि मान्यता के लिए पूर्व-प्रसंस्करण डेटा के बारे में विवरण देखें।
नोट: प्रोटोकॉल यहां रोका जा सकता है ।

2. डेटा विश्लेषण

डेटा उपचार के तरीके का चयन करें। कच्चे डेटा का चयन करें यदि डेटाबेस में संग्रहीत डेटा का उपयोग एकमुश्त किया जाएगा (यानी, स्वचालित सुविधा निष्कर्षण के लिए गहरी सीखने का उपयोग करके) और चरण 2.2 पर जाएं। फीचर डेटा चुनें यदि फीचर निष्कर्षण का उपयोग आगे के विश्लेषण के लिए किया जाएगा और चरण 2.3 पर जाना होगा।
कच्चे डेटाके लिए, कोई अतिरिक्त कदम की आवश्यकता है तो चरण २.५ पर जाएं ।
फीचर डेटाके लिए, कच्चे डेटा से सुविधाओं को निकालें।
1. समय खिड़कियों में कच्चे डेटा खंड। निर्धारित करें और समय खिड़की की लंबाई (जैसे, एक दूसरे आकार के फ्रेम) निर्धारित करते हैं और तय करें। इसके अलावा, निर्धारित करें कि ये समय खिड़कियां ओवरलैपिंग होंगी या नहीं। एक अच्छा अभ्यास 50% ओवरलैपिंग चुनना है।
2. डेटा के प्रत्येक खंड से सुविधाओं को निकालें। सेगमेंट से निकाले जाने वाले लौकिक और बार-बार सुविधाओं का सेट निर्धारित करें। आम सुविधा निष्कर्षण के लिए मार्टिनेज-Villaseñor एट अल²¹ देखें ।
3. एक स्वतंत्र डेटाबेस में क्लाउड पर सेट सुविधा निष्कर्षण डेटा सहेजें।
4. यदि अलग-अलग समय खिड़कियों का चयन किया जाएगा, तो चरण 2.3.1 से 2.3.3 बार दोहराएं, और स्वतंत्र डेटाबेस में सेट प्रत्येक सुविधा डेटा को सहेजें।
  नोट: प्रोटोकॉल यहां रोका जा सकता है ।
निकाले गए सबसे महत्वपूर्ण फीचर्स का चयन करें और फीचर डेटा सेट को कम करें। कुछ आमतौर पर उपयोग किए जाने वाले सुविधा चयन विधियों(जैसे, यूनिवेरिएट चयन, प्रमुख घटक विश्लेषण, पुनरावृत्ति सुविधा उन्मूलन, सुविधा महत्व, सहसंबंध मैट्रिक्स आदि) लागू करें।
1. एक फीचर चयन विधि का चयन करें। यहां, हम सुविधा महत्व का इस्तेमाल किया ।
2. किसी दिए गए मॉडल (हमने आरएफ को नियोजित किया) को प्रशिक्षित करने और सटीकता को मापने के लिए प्रत्येक सुविधा का उपयोग करें (समीकरण 1देखें)।
3. सटीकता के क्रम में छंटाई द्वारा सुविधाओं रैंक।
4. सबसे महत्वपूर्ण विशेषताओं का चयन करें। यहां, हमने सबसे अच्छा स्थान पर पहला दस सुविधाओं का उपयोग किया।
  नोट: प्रोटोकॉल यहां रोका जा सकता है ।
एक मशीन लर्निंग वर्गीकरण विधि का चयन करें और एक मॉडल को प्रशिक्षित करें। प्रसिद्ध मशीन लर्निंग विधियां हैं¹⁶^,¹⁷^,¹⁸^,²¹, जैसे: समर्थन वेक्टर मशीनों (एसवीएम), यादृच्छिक वन (आरएफ), मल्टीलेयर परसेप्ट्रॉन (एमएलपी) और के-निकटतम पड़ोसी (KNN), कई अन्य लोगों के बीच।
1. वैकल्पिक रूप से, यदि एक गहरी सीखने के दृष्टिकोण का चयन किया जाता है, तो^21:कन्वोलुओनियल तंत्रिका नेटवर्क (सीएनएन), दीर्घकालिक अल्पकालिक स्मृति तंत्रिका नेटवर्क (LSTM), दूसरों के बीच पर विचार करें।
2. मशीन लर्निंग विधियों का एक सेट चुनें। यहां, हमने निम्नलिखित तरीकों का उपयोग किया: एसवीएम, आरएफ, एमएलपी और KNN।
3. प्रत्येक मशीन सीखने के तरीकों के मापदंडों को ठीक करें, जैसा कि साहित्य²¹में सुझाया गया है।
4. जानकारी के स्रोतों के प्रकार ों को संयोजित करने के लिए स्वतंत्र सुविधा डेटा सेट (या कच्चे डेटा सेट) का उपयोग करके एक संयुक्त सुविधा डेटा सेट (या कच्चा डेटा सेट) बनाएं। उदाहरण के लिए, यदि एक पहनने योग्य सेंसर और एक कैमरे के संयोजन की आवश्यकता है, तो इन स्रोतों में से प्रत्येक से सुविधा डेटा सेट गठबंधन ।
5. प्रशिक्षण और परीक्षण सेट में फीचर डेटा सेट (या कच्चे डेटा सेट) को विभाजित करें। एक अच्छा विकल्प बेतरतीब ढंग से प्रशिक्षण के लिए 70% और परीक्षण के लिए 30% विभाजित करने के लिए है।
6. प्रत्येक मशीन लर्निंग विधि के लिए फीचर डेटा सेट (या रॉ डेटा सेट) का उपयोग करके एक कश्मीर-गुना क्रॉस-सत्यापन²¹ चलाएं। प्रति विधि प्रशिक्षित सर्वश्रेष्ठ मॉडल का चयन करने के लिए सटीकता (समीकरण 1देखें) जैसे मूल्यांकन के एक आम मीट्रिक का उपयोग करें। लीव-वन सब्जेक्ट आउट (LOSO) प्रयोग³ की भी सिफारिश की जाती है।
  1. पसंदीदा प्रोग्रामिंग भाषा सॉफ्टवेयर में प्रशिक्षण सुविधा डेटा सेट (या कच्चा डेटा सेट) खोलें। अजगर की सिफारिश की जाती है। इस चरण के लिए, सीएसवी फ़ाइल को पढ़ने के लिए पांडा लाइब्रेरी का उपयोग करें:
    training_set = पंड्स.सीएसवी () ।
  2. इनपुट-आउटपुट के जोड़े में फीचर डेटा सेट (या रॉ डेटा सेट) को विभाजित करें। उदाहरण के लिए, एक्स-वैल्यूज (इनपुट) और वाई-वैल्यूज (आउटपुट) घोषित करने के लिए पायथन का उपयोग करें:
    training_set_X = training_set.बूंद ('टैग', एक्सिस =1), training_set_Y = training_set.टैग
    जहां टैग फीचर डेटा सेट के कॉलम का प्रतिनिधित्व करता है जिसमें लक्षित मूल्य शामिल हैं।
  3. एक मशीन लर्निंग विधि का चयन करें और मापदंडों को सेट करें। उदाहरण के लिए, निम्नलिखित आदेश की तरह लाइब्रेरी स्किफ के साथ पायथन में एसवीएम का उपयोग करें:
    क्लासिफायर = स्किल। एसवीसी (गिरी = 'पाली')
    जिसमें गिरी समारोह को पॉलीनोमेयल के रूप में चुना जाता है।
  4. मशीन लर्निंग मॉडल को प्रशिक्षित करें। उदाहरण के लिए, एसवीएम मॉडल को प्रशिक्षित करने के लिए पायथन में उपरोक्त क्लासिफायर का उपयोग करें:
    classifier.fit (training_set_X,training_set_Y)।
  5. परीक्षण सुविधा डेटा सेट (या कच्चे डेटा सेट) का उपयोग करके मॉडल के अनुमान मूल्यों की गणना करें। उदाहरण के लिए, पायथन में अनुमान फ़ंक्शन का उपयोग इस प्रकार करें: अनुमान = classifier.predict (testing_set_X) जहां testing_set_X परीक्षण सेट के एक्स-मूल्यों का प्रतिनिधित्व करता है।
  6. दोहराएं चरण 2.5.6.1 से 2.5.6.5, कश्मीर-गुना क्रॉस सत्यापन में निर्दिष्ट समय की संख्या (या लोसो दृष्टिकोण के लिए आवश्यक समय की संख्या)।
  7. चयनित प्रत्येक मशीन लर्निंग मॉडल के लिए चरण 2.5.6.1 से 2.5.6.6 तक दोहराएं।
    नोट: प्रोटोकॉल यहां रोका जा सकता है ।
7. परीक्षण डेटा सेट के साथ चयनित मॉडलों का परीक्षण करके मशीन सीखने के तरीकों की तुलना करें। मूल्यांकन के अन्य मैट्रिक्स का उपयोग किया जा सकता है: सटीकता(समीकरण 1),परिशुद्धता(समीकरण 2),संवेदनशीलता(समीकरण 3),विशिष्टता(समीकरण 4)या F1-स्कोर(समीकरण 5),जहां टीपी सच्चे सकारात्मक हैं, टीएन सच्चे नकारात्मक हैं, एफपी झूठे सकारात्मक हैं और एफएन झूठे नकारात्मक हैं।
8. मशीन लर्निंग मॉडल के वर्गीकरण कार्य का मूल्यांकन करने के लिए भ्रम मैट्रिक्स⁹ जैसे अन्य लाभकारी प्रदर्शन मैट्रिक्स का उपयोग करें, या निर्णय-स्वतंत्र परिशुद्धता-रिकॉल⁹ (पीआर) या रिसीवर ऑपरेटिंग विशेषता⁹ (आरओसी) घटता है। इस पद्धति में याद और संवेदनशीलता को समकक्ष माना जाता है।
9. मशीन लर्निंग मॉडल की गुणात्मक सुविधाओं का उपयोग उनमें से तुलना करने के लिए करें, जैसे: मशीन लर्निंग व्याख्या में आसानी; वास्तविक समय प्रदर्शन; समय, स्मृति और प्रसंस्करण कंप्यूटिंग के सीमित संसाधन; और एज डिवाइस या एम्बेडेड सिस्टम में मशीन लर्निंग तैनाती में आसानी।
10. से जानकारी का उपयोग कर सबसे अच्छा मशीन लर्निंग मॉडल का चयन करें: गुणवत्ता मैट्रिक्स(समीकरण 1-5),प्रदर्शन मैट्रिक्स और चरण 2.5.6, 2.5.7 और 2.5.8 की मशीन लर्निंग व्यवहार्यता की गुणात्मक विशेषताएं।
  नोट: प्रोटोकॉल यहां रोका जा सकता है ।

3. सिस्टम सरलीकरण

सूचना के स्रोतों के उपयुक्त प्लेसमेंट का चयन करें। कभी-कभी, सूचना के स्रोतों का सबसे अच्छा प्लेसमेंट निर्धारित करना आवश्यक होता है (उदाहरण के लिए, पहनने योग्य सेंसर का कौन सा स्थान बेहतर है)।
1. जानकारी है कि विश्लेषण किया जाएगा के स्रोतों के सबसेट निर्धारित करें। उदाहरण के लिए, यदि शरीर में पांच पहनने योग्य सेंसर हैं और सिर्फ एक को रखा गया सर्वश्रेष्ठ सेंसर के रूप में चुना जाना है, तो इनमें से प्रत्येक सेंसर सबसेट का हिस्सा होगा।
2. इस सबसेट में जानकारी के प्रत्येक स्रोत के लिए, एक अलग डेटा सेट बनाएं और इसे अलग से स्टोर करें। ध्यान रखें कि यह डेटा सेट या तो पिछला फीचर डेटा सेट हो सकता है या कच्चा डेटा सेट हो सकता है।
  नोट: प्रोटोकॉल यहां रोका जा सकता है ।
मशीन लर्निंग वर्गीकरण विधि का चयन करें और सूचना प्लेसमेंट के एक स्रोत के लिए एक मॉडल को प्रशिक्षित करें। स्टेप 3.1.2 में बनाए गए प्रत्येक डेटा सेट का उपयोग करके 2.5.1 से 2.5.6 तक के चरणों को पूरा करें। रैंकिंग द्वारा सूचना प्लेसमेंट के सबसे उपयुक्त स्रोत का पता लगाएं। इस मामले के अध्ययन के लिए, हम निम्नलिखित तरीकों का उपयोग करते हैं: एसवीएम, आरएफ, एमएलपी और KNN।
नोट: प्रोटोकॉल यहां रोका जा सकता है ।
यदि सिस्टम के लिए जानकारी के दो या अधिक स्रोतों का संयोजन आवश्यक है (उदाहरण के लिए, एक पहनने योग्य सेंसर और एक कैमरा) के संयोजन के लिए एक बहुमॉडल दृष्टिकोण में उपयुक्त प्लेसमेंट का चयन करें। इस केस स्टडी में कमर पहनने योग्य सेंसर और कैमरा 1 (पार्श्व दृश्य) को तौर-तरीकों के रूप में इस्तेमाल करें।
1. सिस्टम में प्रत्येक तौर-तरीकों की जानकारी का सबसे अच्छा स्रोत चुनें और जानकारी के इन स्रोतों के स्वतंत्र डेटा सेट का उपयोग करके एक संयुक्त फीचर डेटा सेट (या कच्चा डेटा सेट) बनाएं।
2. एक मशीन लर्निंग वर्गीकरण विधि का चयन करें और जानकारी के इन संयुक्त स्रोतों के लिए एक मॉडल प्रशिक्षित करें। संयुक्त सुविधा डेटा सेट (या कच्चे डेटा सेट) का उपयोग करके चरण 2.5.1 से 2.5.6 तक पूरा करें। इस अध्ययन में, निम्नलिखित तरीकों का उपयोग करें: एसवीएम, आरएफ, एमएलपी और KNN।
  नोट: प्रोटोकॉल यहां रोका जा सकता है ।

4. मूल्यांकन

अधिक यथार्थवादी परिस्थितियों में उपयोगकर्ताओं के साथ एक नया डेटा सेट तैयार करें। पिछले चरण में चयनित जानकारी के स्रोतों का उपयोग करें। बेहतर, लक्ष्य समूह (जैसे, बुजुर्ग लोगों) में प्रणाली को लागू करें। समय की लंबी अवधि में डेटा एकत्र करें।
1. वैकल्पिक रूप से यदि लक्ष्य समूह का उपयोग केवल किया जाता है, तो बहिष्कार की शर्तों (जैसे, किसी भी शारीरिक या मनोवैज्ञानिक हानि) सहित एक चयन समूह प्रोटोकॉल बनाएं और मानदंडों की रोकथाम को रोकें (उदाहरण के लिए, परीक्षणों के दौरान किसी भी शारीरिक चोट का पता लगाएं; मतली, चक्कर आना और/या उल्टी; बेहोशी) पीड़ित । नैतिक चिंताओं और डेटा गोपनीयता के मुद्दों पर भी विचार करें।
अब तक विकसित फॉल डिटेक्शन और ह्यूमन एक्टिविटी रिकग्निशन सिस्टम के प्रदर्शन का मूल्यांकन करें। सिस्टम की सटीकता और भविष्य कहनेवाला शक्ति, या किसी अन्य प्रदर्शन मैट्रिक्स का निर्धारण करने के लिए समीकरण 1-5 का उपयोग करें।
प्रायोगिक परिणामों पर निष्कर्षों के बारे में चर्चा करें ।

Representative Results

डाटाबेस का निर्माण
हमने फॉल डिटेक्शन और ह्यूमन एक्टिविटी रिकग्निशन, नामत अप-फॉल डिटेक्शन²¹के लिए मल्टीमॉडल डेटासेट बनाया । यह आंकड़े यूनीवर्सिड पैनाअमेरिका (मेक्सिको सिटी, मैक्सिको) में स्कूल ऑफ इंजीनियरिंग में चार सप्ताह की अवधि में एकत्र किए गए थे । परीक्षण परिदृश्य का चयन निम्नलिखित आवश्यकताओं पर विचार करते हुए किया गया था: (क) एक ऐसी जगह जिसमें विषय आराम से और सुरक्षित रूप से फॉल्स और गतिविधियों का प्रदर्शन कर सकते हैं, और (ख) प्राकृतिक और कृत्रिम प्रकाश के साथ एक इनडोर वातावरण जो मल्टीमॉडल सेंसर सेटिंग्स के लिए अच्छी तरह से अनुकूल है।

3 परीक्षणों के दौरान 17 विषयों के डेटा नमूने हैं जिन्होंने 5 प्रकार के फॉल्स और 6 अलग-अलग सरल गतिविधियों का प्रदर्शन किया। सभी जानकारी 5 पहनने योग्य सेंसर (त्रिकोणीय धुरी एक्सेलेरोमीटर, जायरोस्कोप और प्रकाश तीव्रता), 1 इलेक्ट्रोएंसेफेलोग्राफ हेलमेट, परिवेश सेंसर के रूप में 6 अवरक्त सेंसर, और पार्श्व और सामने दृष्टिकोण पर 2 कैमरों के साथ एक इन-हाउस डेटा अधिग्रहण प्रणाली का उपयोग करके इकट्ठा किया गया था। चित्रा 1 पर्यावरण और शरीर पर सेंसर प्लेसमेंट के लेआउट को दर्शाता है। पूरे डाटासेट की सैंपलिंग रेट 18 हर्ट्ज है। डेटाबेस में दो डेटा सेट हैं: कंसोलिडेटेड रॉ डेटा सेट (812 जीबी), और एक फीचर डेटा सेट (171 जीबी)। सार्वजनिक पहुंच के लिए क्लाउड में संग्रहीत सभी डेटाबेस वेयर: https://sites.google.com/up.edu.mx/har-up/। डेटा अधिग्रहण, पूर्व प्रसंस्करण, मजबूत और इस डेटाबेस के भंडारण के साथ ही सिंक्रोनाइजेशन और डेटा स्थिरता पर विवरण के बारे में अधिक जानकारी मार्टिनेज-Villaseñor एट अल²¹में पाया जा सकता है ।

इस डेटाबेस के लिए, सभी विषयों स्वस्थ युवा स्वयंसेवकों (9 पुरुषों और 8 महिलाओं) किसी भी हानि के बिना थे, 18 से 24 साल की उम्र में लेकर, १.६६ मीटर की औसत ऊंचाई और ६६.८ किलो का मतलब वजन के साथ । डेटा संग्रह के दौरान, तकनीकी जिम्मेदार शोधकर्ता निगरानी कर रहा था कि सभी गतिविधियों को विषयों द्वारा सही ढंग से किया गया था। विषयों गिरने के पांच प्रकार, 10 सेकंड के लिए हर एक प्रदर्शन: आगे हाथ (1) का उपयोग कर, आगे घुटनों का उपयोग कर (2), पीछे की ओर (3), एक खाली कुर्सी (4) और बगल की ओर (5) में बैठे । उन्होंने कूदने (30 एस): वॉकिंग (6), स्टैंडिंग (7), एक ऑब्जेक्ट (8), बैठे (9), कूद (10) और बिछाने (11) को छोड़कर ६० एस प्रत्येक के लिए छह दैनिक गतिविधियों का भी आयोजन किया । हालांकि नकली फॉल्स सभी प्रकार के वास्तविक जीवन के फॉल्स को पुन: पेश नहीं कर सकते हैं, लेकिन कम से कम बेहतर गिरावट का पता लगाने वाले मॉडलों के निर्माण को सक्षम करने वाले फॉल्स के प्रतिनिधि प्रकारों को शामिल करना महत्वपूर्ण है। यह ADLs का उपयोग करने के लिए भी प्रासंगिक है और, विशेष रूप से, गतिविधियों है कि आम तौर पर इस तरह के एक वस्तु उठा के रूप में गिर जाता है के साथ गलत किया जा सकता है । संबंधित फॉल डिटेक्शन सिस्टम²¹की समीक्षा के बाद गिरावट और एडीसी के प्रकारों का चयन किया गया । एक उदाहरण के रूप में, चित्रा 2 एक परीक्षण की छवियों का एक अनुक्रम दिखाता है जब एक विषय बगल की ओर गिर जाता है ।

हमने 12 लौकिक (मतलब, मानक विचलन, अधिकतम आयाम, न्यूनतम आयाम, रूट मीन स्क्वायर, मीडियन, जीरो-क्रॉसिंग नंबर, तिरछापन, कुरटोसिस, पहला चतुर्थक, तीसरा चतुर्थक और ऑटोसेंसह) और 6 बार -बार (मतलब, मीडियन, एंट्रोपी, ऊर्जा, प्रिंसिपल फ्रीक्वेंसी और स्पेक्ट्रल सेंट्रॉइड) निकाले गए जिसमें पहनने योग्य और परिवेश सेंसर के प्रत्येक चैनल से²¹ की सुविधा है। हमने वीडियो में दो आसन्न छवियों के बीच पिक्सल की सापेक्ष गति के बारे में प्रत्येक कैमरे के लिए⁴⁰⁰ दृश्य सुविधाओं की गणना भी की।

यूनिमोडल और मल्टीमॉडल दृष्टिकोण के बीच डेटा विश्लेषण
यूपी-फॉल डिटेक्शन डेटाबेस से, हमने यूनिमोडल और मल्टीमॉडल दृष्टिकोणों के बीच तुलना उद्देश्यों के लिए डेटा का विश्लेषण किया। इस अर्थ में, हमने सूचना के स्रोतों के सात विभिन्न संयोजनों की तुलना की: अवरक्त सेंसर केवल (आईआर); केवल पहनने योग्य सेंसर (आईएमयू); पहनने योग्य सेंसर और हेलमेट (आईएमयू + ईईजी); अवरक्त और पहनने योग्य सेंसर और हेलमेट (आईआर +आईएमयू + ईईजी); केवल कैमरे (सीएएम); अवरक्त सेंसर और कैमरे (आईआर + कैम); और पहनने योग्य सेंसर, हेलमेट और कैमरे (आईएमयू + ईईजी + कैम)। इसके अलावा, हमने तीन अलग-अलग समय विंडो आकारों की तुलना 50% ओवरलैपिंग के साथ की: एक सेकंड, दो सेकंड और तीन सेकंड। प्रत्येक सेगमेंट में, हमने फीचर चयन और रैंकिंग लागू करने वाली सबसे उपयोगी सुविधाओं का चयन किया। इस रणनीति का उपयोग करते हुए, हमने 40 सुविधाओं का उपयोग करके आईआर मोडलिटी को छोड़कर प्रति मोडलिटी केवल 10 विशेषताएं नियोजित कीं। इसके अलावा, तुलना चार प्रसिद्ध मशीन लर्निंग क्लासिफायर्स पर की गई: आरएफ, एसवीएम, एमएलपी और KNN। हमने मशीन लर्निंग मॉडल को प्रशिक्षित करने के लिए 70% ट्रेन और 30% परीक्षण के डेटासेट के साथ 10 गुना क्रॉस-सत्यापन कार्यरत हैं। तालिका 1 इस बेंचमार्क के परिणामों को दिखाती है, जो मशीन लर्निंग मॉडल और सर्वश्रेष्ठ विंडो लेंथ कॉन्फ़िगरेशन के आधार पर प्रत्येक तौर-तरीकों के लिए प्राप्त सर्वश्रेष्ठ प्रदर्शन की रिपोर्ट करती है। मूल्यांकन मैट्रिक्स सटीकता, सटीकता, संवेदनशीलता, विशिष्टता और F1-स्कोर की रिपोर्ट करते हैं। चित्रा 3 F1-स्कोर के संदर्भ में, एक चित्रमय प्रतिनिधित्व में इन परिणामों को दिखाता है।

टेबल 1से, मल्टीमॉडल दृष्टिकोण (अवरक्त और पहनने योग्य सेंसर और हेलमेट, आईआर + आईएमयू + ईईजी; और पहनने योग्य सेंसर और हेलमेट और कैमरे, आईएमयू + ईईजी + कैम) ने यूनिमोडल दृष्टिकोण (केवल अवरक्त, आईआर; और कैमरे केवल, कैम) की तुलना में सर्वश्रेष्ठ F1-स्कोर मूल्य प्राप्त किए। हमने यह भी देखा कि पहनने योग्य सेंसर केवल (आईएमयू) ने मल्टीमॉडल दृष्टिकोण की तुलना में समान प्रदर्शन प्राप्त किया। इस मामले में, हमने एक बहुमॉडल दृष्टिकोण का विकल्प चुना क्योंकि जानकारी के विभिन्न स्रोत दूसरों से सीमाओं को संभाल सकते हैं। उदाहरण के लिए, कैमरों में अस्पष्टता को पहनने योग्य सेंसर द्वारा संभाला जा सकता है, और सभी पहनने योग्य सेंसरों का उपयोग नहीं करने से कैमरों या परिवेश सेंसरों के साथ पूरित किया जा सकता है।

डेटा-चालित मॉडलों के बेंचमार्क के संदर्भ में, तालिका 1 में प्रयोगों से पता चला है कि आरएफ लगभग सभी प्रयोगों में सर्वोत्तम परिणाम प्रस्तुत करता है; जबकि एमएलपी और एसवीएम प्रदर्शन में बहुत सुसंगत नहीं थे (उदाहरण के लिए, इन तकनीकों में मानक विचलन आरएफ की तुलना में अधिक परिवर्तनशीलता दिखाता है)। खिड़की के आकार के बारे में, ये उनके बीच किसी भी महत्वपूर्ण सुधार का प्रतिनिधित्व नहीं किया । यह ध्यान रखना महत्वपूर्ण है कि ये प्रयोग गिरावट और मानव गतिविधि वर्गीकरण के लिए किए गए थे।

सेंसर प्लेसमेंट और बेस्ट मल्टीमॉडल कॉम्बिनेशन
दूसरी ओर, हमने गिरावट का पता लगाने के लिए मल्टीमॉडल उपकरणों का सबसे अच्छा संयोजन निर्धारित करने का लक्ष्य किया। इस विश्लेषण के लिए, हमने जानकारी के स्रोतों को पांच पहनने योग्य सेंसर और दो कैमरों तक सीमित कर दिया। ये डिवाइस दृष्टिकोण के लिए सबसे आरामदायक हैं। इसके अलावा, हमने दो वर्गों पर विचार किया: गिरावट (किसी भी प्रकार का गिरावट) या नो-फॉल (कोई अन्य गतिविधि)। सभी मशीन लर्निंग मॉडल, और खिड़की के आकार पिछले विश्लेषण के समान रहते हैं।

प्रत्येक पहनने योग्य सेंसर के लिए, हमने प्रत्येक खिड़की की लंबाई के लिए एक स्वतंत्र वर्गीकृत मॉडल बनाया। हमने 70% प्रशिक्षण और 30% परीक्षण डेटा सेट के साथ 10 गुना क्रॉस-सत्यापन का उपयोग करके मॉडल को प्रशिक्षित किया। तालिका 2 F1-स्कोर के आधार पर प्रति प्रदर्शन वर्गीकृत पहनने योग्य सेंसर की रैंकिंग के लिए परिणामों को संक्षेप में प्रस्तुत करता है। इन परिणामों को उतरते क्रम में हल किया गया । जैसा कि तालिका 2में देखा गया है, कमर, गर्दन या तंग दाईं जेब (छायांकित क्षेत्र) पर एक सेंसर का उपयोग करते समय सबसे अच्छा प्रदर्शन प्राप्त किया जाता है। इसके अलावा टखने और बायीं कलाई पहनने योग्य सेंसर ने सबसे ज्यादा प्रदर्शन किया। तालिका 3 प्रत्येक क्लासिफायर में सर्वश्रेष्ठ प्रदर्शन प्राप्त करने के लिए प्रति पहनने योग्य सेंसर के अनुसार विंडो लेंथ वरीयता दिखाती है। परिणामों से, आरएफ क्लासिफायर के साथ कमर, गर्दन और तंग दाएं पॉकेट सेंसर और 50% ओवरलैपिंग के साथ 3 एस विंडो आकार गिरावट का पता लगाने के लिए सबसे उपयुक्त पहनने योग्य सेंसर हैं।

हमने सिस्टम में प्रत्येक कैमरे के लिए एक समान विश्लेषण किया। हमने प्रत्येक खिड़की के आकार के लिए एक स्वतंत्र वर्गीकृत मॉडल बनाया। प्रशिक्षण के लिए, हमने 70% प्रशिक्षण और 30% परीक्षण डेटा सेट के साथ 10 गुना क्रॉस-सत्यापन किया। तालिका 4 F1-स्कोर के आधार पर प्रति वर्गीकृत सर्वश्रेष्ठ कैमरा दृष्टिकोण की रैंकिंग दिखाती है। जैसा कि देखा गया, पार्श्व दृश्य (कैमरा 1) ने सबसे अच्छा गिरावट का पता लगाने का प्रदर्शन किया। इसके अलावा आरएफ ने अन्य क्लासिफायर्स की तुलना में बेहतर प्रदर्शन किया । इसके अलावा, टेबल 5 प्रति कैमरा दृष्टिकोण विंडो लेंथ वरीयता दिखाता है। परिणामों से, हमने पाया कि एक कैमरे का सबसे अच्छा स्थान पार्श्व दृष्टिकोण में 3 एस विंडो आकार में आरएफ का उपयोग कर रहा है और 50% ओवरलैपिंग है।

अंत में, हमने पार्श्व दृष्टिकोण के कैमरे के साथ संयुक्त होने के लिए पहनने योग्य सेंसर (यानी, कमर और तंग सही जेब) के दो संभावित प्लेसमेंट को चुना। इसी प्रशिक्षण प्रक्रिया के बाद, हमने तालिका 6से परिणाम प्राप्त किए । जैसा कि दिखाया गया है, आरएफ मॉडल वर्गीकरण दोनों मल्टीमोमोडिज में सटीकता और F1-स्कोर में सर्वश्रेष्ठ प्रदर्शन मिला । इसके अलावा, कमर और कैमरा 1 के बीच संयोजन सटीकता में 98.72% और F1-स्कोर में 95.77% प्राप्त करने वाले पहले स्थान पर रहा।

चित्रा 1: यूपी-फॉल डिटेक्शन डेटाबेस में वियरेबल (बाएं) और परिवेश (दाएं) सेंसर का लेआउट। पहनने योग्य सेंसर माथे, बायीं कलाई, गर्दन, कमर, पैंट की दाहिनी जेब और बाएं टखने में रखे जाते हैं। परिवेश सेंसर विषयों और दो कैमरों की उपस्थिति का पता लगाने के लिए छह बनती अवरक्त सेंसर हैं । कैमरे पार्श्व दृश्य पर और सामने के दृश्य में स्थित हैं, दोनों मानव गिरावट के संबंध में । कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

चित्रा 2: यूपी-फॉल डिटेक्शन डेटाबेस से निकाली गई वीडियो रिकॉर्डिंग का उदाहरण। शीर्ष पर, बगल की ओर गिरने वाले विषय की छवियों का एक अनुक्रम है। नीचे, निकाले गए दृष्टि सुविधाओं का प्रतिनिधित्व करने वाली छवियों का एक अनुक्रम है। ये सुविधाएं दो आसन्न छवियों के बीच पिक्सल की सापेक्ष गति हैं। सफेद पिक्सेल तेज गति का प्रतिनिधित्व करते हैं, जबकि काले पिक्सेल धीमी (या शून्य के पास) गति का प्रतिनिधित्व करते हैं। इस क्रम को बाएं से दाएं, कालक्रम से हल किया जाता है। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

चित्रा 3: तुलनात्मक परिणाम मशीन लर्निंग मॉडल और सबसे अच्छा खिड़की लंबाई के संबंध में प्रत्येक रूपरेखा का सबसे अच्छा F1 स्कोर रिपोर्टिंग । बार F1-स्कोर के मतलब मूल्यों का प्रतिनिधित्व करते हैं। डेटा अंक में पाठ कोष्ठक में मतलब और मानक विचलन का प्रतिनिधित्व करते हैं। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें ।

साधन	मॉडल	सटीकता (%)	सटीक (%)	संवेदनशीलता (%)	विशिष्टता (%)	F1-स्कोर (%)
Ir	आरएफ (3 सेकंड)	67.38 ± 0.65	36.45 ± 2.46	31.26 ± 0.89	96.63 ± 0.07	32.16 ± 0.99
	एसवीएम (3 सेकंड)	65.16 ± 0.90	26.77 ± 0.58	25.16 ± 0.29	96.31 ± 0.09	23.89 ± 0.41
	एमएलपी (3 सेकंड)	65.69 ± 0.89	28.19 ± 3.56	26.40 ± 0.71	96.41 ± 0.08	25.13 ± 1.09
	केएनएन (3 सेकंड)	61.79 ± 1.47	30.04 ± 1.44	27.55 ± 0.97	96.05 ± 0.16	27.89 ± 1.13
Imu	आरएफ (1 सेकंड)	95.76 ± 0.18	70.78 ± 1.53	66.91 ± 1.28	99.59 ± 0.02	68.35 ± 1.25
	एसवीएम (1 सेकंड)	93.32 ± 0.23	66.16 ± 3.33	58.82 ± 1.53	99.32 ± 0.02	60.00 ± 1.34
	एमएलपी (1 सेकंड)	95.48 ± 0.25	73.04 ± 1.89	69.39 ± 1.47	99.56 ± 0.02	70.31 ± 1.48
	केएनएन (1 सेकंड)	94.90 ± 0.18	69.05 ± 1.63	64.28 ± 1.57	99.50 ± 0.02	66.03 ± 1.52
आईएमयू +ईईजी	आरएफ (1 सेकंड)	95.92 ± 0.29	74.14 ± 1.29	66.29 ± 1.66	99.59 ± 0.03	69.03 ± 1.48
	एसवीएम (1 सेकंड)	90.77 ± 0.36	62.51 ± 3.34	52.46 ± 1.19	99.03 ± 0.03	53.91 ± 1.16
	एमएलपी (1 सेकंड)	93.33 ± 0.55	74.10 ± 1.61	65.32 ± 1.15	99.32 ± 0.05	68.13 ± 1.16
	केएनएन (1 सेकंड)	92.12 ± 0.31	66.86 ± 1.32	58.30 ± 1.20	98.89 ± 0.05	60.56 ± 1.02
आईआर+आईएमयू+ईईजी	आरएफ (2 सेकंड)	95.12 ± 0.36	74.63 ± 1.65	66.71 ± 1.98	99.51 ± 0.03	69.38 ± 1.72
	एसवीएम (1 सेकंड)	90.59 ± 0.27	64.75 ± 3.89	52.63 ± 1.42	99.01 ± 0.02	53.94 ± 1.47
	एमएलपी (1 सेकंड)	93.26 ± 0.69	73.51 ± 1.59	66.05 ± 1.11	99.31 ± 0.07	68.19 ± 1.02
	केएनएन (1 सेकंड)	92.24 ± 0.25	67.33 ± 1.94	58.11 ± 1.61	99.21 ± 0.02	60.36 ± 1.71
कैम	आरएफ (3 सेकंड)	32.33 ± 0.90	14.45 ± 1.07	14.48 ± 0.82	92.91 ± 0.09	14.38 ± 0.89
	एसवीएम (2 सेकंड)	34.40 ± 0.67	13.81 ± 0.22	14.30 ± 0.31	92.97 ± 0.06	13.83 ± 0.27
	एमएलपी (3 सेकंड)	27.08 ± 2.03	8.59 ± 1.69	10.59 ± 0.38	92.21 ± 0.09	7.31 ± 0.82
	केएनएन (3 सेकंड)	34.03 ± 1.11	15.32 ± 0.73	15.54 ± 0.57	93.09 ± 0.11	15.19 ± 0.52
आईआर+ कैम	आरएफ (3 सेकंड)	65.00 ± 0.65	33.93 ± 2.81	29.02 ± 0.89	96.34 ± 0.07	29.81 ± 1.16
	एसवीएम (3 सेकंड)	64.07 ± 0.79	24.10 ± 0.98	24.18 ± 0.17	96.17 ± 0.07	22.38 ± 0.23
	एमएलपी (3 सेकंड)	65.05 ± 0.66	28.25 ± 3.20	25.40 ± 0.51	96.29 ± 0.06	24.39 ± 0.88
	केएनएन (3 सेकंड)	60.75 ± 1.29	29.91 ± 3.95	26.25 ± 0.90	95.95 ± 0.11	26.54 ± 1.42
आईएमयू +ईईजी + कैम	आरएफ (1 सेकंड)	95.09 ± 0.23	75.52 ± 2.31	66.23 ± 1.11	99.50 ± 0.02	69.36 ± 1.35
	एसवीएम (1 सेकंड)	91.16 ± 0.25	66.79 ± 2.79	53.82 ± 0.70	99.07 ± 0.02	55.82 ± 0.77
	एमएलपी (1 सेकंड)	94.32 ± 0.31	76.78 ± 1.59	67.29 ± 1.41	99.42 ± 0.03	70.44 ± 1.25
	केएनएन (1 सेकंड)	92.06 ± 0.24	68.82 ± 1.61	58.49 ± 1.14	99.19 ± 0.02	60.51 ± 0.85

तालिका 1: तुलनात्मक परिणाम मशीन लर्निंग मॉडल और सर्वश्रेष्ठ विंडो लेंथ (कोष्ठक में) के संबंध में प्रत्येक तौर-तरीकों के सर्वश्रेष्ठ प्रदर्शन की रिपोर्ट करते हैं। प्रदर्शन में सभी मूल्य मतलब और मानक विचलन का प्रतिनिधित्व करते हैं।

#	आईएमयू प्रकार
#	आरएफ	Svm	एमएलपी	केएनएन
1	(98.36) कमर	(83.30) राइट पॉकेट	(57.67) राइट पॉकेट	(73.19) राइट पॉकेट
2	(95.77) गर्दन	(83.22) कमर	(44.93) गर्दन	(68.73) कमर
3	(95.35) राइट पॉकेट	(83.11) गर्दन	(39.54) कमर	(65.06) गर्दन
4	(95.06) टखने	(82.96) टखने	(39.06) बाईं कलाई	(58.26) टखने
5	(94.66) बाईं कलाई	(82.82) बाईं कलाई	(37.56) टखने	(51.63) बाईं कलाई

तालिका 2: प्रति क्लासिफायर सर्वश्रेष्ठ पहनने योग्य सेंसर की रैंकिंग, F1-स्कोर (कोष्ठक में) द्वारा हल की गई। छाया में क्षेत्र गिरावट का पता लगाने के लिए शीर्ष तीन वर्गीकृत का प्रतिनिधित्व करते हैं ।

आईएमयू प्रकार	विंडो लेंथ
आईएमयू प्रकार	आरएफ	Svm	एमएलपी	केएनएन
बाएं टखने	2 सेकंड	3 सेकंड	1 सेकंड	3 सेकंड
कमर	3 सेकंड	1 सेकंड	1 सेकंड	2 सेकंड
गर्दन	3 सेकंड	3 सेकंड	2 सेकंड	2 सेकंड
राइट पॉकेट	3 सेकंड	3 सेकंड	2 सेकंड	2 सेकंड
बाईं कलाई	2 सेकंड	2 सेकंड	2 सेकंड	2 सेकंड

तालिका 3: प्रति क्लासिफायर पहनने योग्य सेंसर में पसंदीदा समय विंडो लंबाई।

#	कैमरा व्यू
#	आरएफ	Svm	एमएलपी	केएनएन
1	(62.27) पार्श्व दृश्य	(24.25) पार्श्व दृश्य	(13.78) फ्रंट व्यू	(41.52) पार्श्व दृश्य
2	(55.71) फ्रंट व्यू	(0.20) फ्रंट व्यू	(5.51) पार्श्व दृश्य	(28.13) फ्रंट व्यू

तालिका 4: एफ 1-स्कोर (कोष्ठक में) द्वारा हल किए गए प्रति वर्गीकृत सर्वश्रेष्ठ कैमरा दृष्टिकोण की रैंकिंग। छाया में क्षेत्र गिरावट का पता लगाने के लिए शीर्ष वर्गीकृत का प्रतिनिधित्व करते हैं ।

कैमरा	विंडो लेंथ
कैमरा	आरएफ	Svm	एमएलपी	केएनएन
पार्श्व दृश्य	3 सेकंड	3 सेकंड	2 सेकंड	3 सेकंड
फ्रंट व्यू	2 सेकंड	2 सेकंड	3 सेकंड	2 सेकंड

तालिका 5: प्रति क्लासिफायर कैमरा व्यूअपॉइंट्स में पसंदीदा टाइम विंडो की लंबाई।

मल्टीमॉडल	क्लासिफायर	सटीकता (%)	सटीक (%)	संवेदनशीलता (%)	F1-स्कोर (%)
कमर + पार्श्व दृश्य	आरएफ	98.72 ± 0.35	94.01 ± 1.51	97.63 ± 1.56	95.77 ± 1.15
	Svm	95.59 ± 0.40	100	70.26 ± 2.71	82.51 ± 1.85
	एमएलपी	77.67 ± 11.04	33.73 ± 11.69	37.11 ± 26.74	29.81 ± 12.81
	केएनएन	91.71 ± 0.61	77.90 ± 3.33	61.64 ± 3.68	68.73 ± 2.58
राइट पॉकेट + पार्श्व दृश्य	आरएफ	98.41 ± 0.49	93.64 ± 1.46	95.79 ± 2.65	94.69 ± 1.67
	Svm	95.79 ± 0.58	100	71.58 ± 3.91	83.38 ± 2.64
	एमएलपी	84.92 ± 2.98	55.70 ± 11.36	48.29 ± 25.11	45.21 ± 14.19
	केएनएन	91.71 ± 0.58	73.63 ± 3.19	68.95 ± 2.73	71.13 ± 1.69

तालिका 6: 3-सेकंड विंडो लंबाई का उपयोग करके संयुक्त पहनने योग्य सेंसर और कैमरा दृष्टिकोण के तुलनात्मक परिणाम। सभी मूल्य मतलब और मानक विचलन का प्रतिनिधित्व करते हैं।

Discussion

डेटासेट बनाए जाने पर सिंक्रोनाइजेशन, संगठन और डेटा असंगतता समस्याओं²⁰ के कारण चुनौतियों का सामना करना आम बात है।

सिंक्रनाइज़ेशन
डेटा के अधिग्रहण में, सिंक्रोनाइजेशन की समस्याएं उत्पन्न होती हैं कि कई सेंसर आमतौर पर विभिन्न नमूना दरों पर काम करते हैं। उच्च आवृत्तियों वाले सेंसर कम आवृत्तियों वाले लोगों की तुलना में अधिक डेटा एकत्र करते हैं। इस प्रकार, विभिन्न स्रोतों से डेटा सही ढंग से नहीं जोड़ा जाएगा। यहां तक कि अगर सेंसर एक ही नमूना दरों पर चलते हैं, यह संभव है कि डेटा गठबंधन नहीं किया जाएगा । इस संबंध में, निम्नलिखित सिफारिशें सेंसर से प्राप्त²⁰प्रत्येक डेटा नमूने में टाइमस्टैंप, विषय, गतिविधि और परीक्षण दर्ज करने में इन सिंक्रोनाइजेशन समस्याओं को संभालने में मदद कर सकती हैं; (ii) सूचना के सबसे सुसंगत और कम लगातार स्रोत को सिंक्रोनाइजेशन के संदर्भ संकेत के रूप में उपयोग किया जाना चाहिए; और (iii) वीडियो रिकॉर्डिंग को सिंक्रोनाइज़ करने के लिए स्वचालित या अर्ध-स्वचालित प्रक्रियाओं का उपयोग करें कि मैनुअल निरीक्षण अव्यावहारिक होगा।

डेटा प्री-प्रोसेसिंग
डेटा प्री-प्रोसेसिंग भी किया जाना चाहिए, और महत्वपूर्ण निर्णय इस प्रक्रिया को प्रभावित करते हैं: (क) डेटा भंडारण और कई और विषम स्रोतों (ख) के डेटा प्रतिनिधित्व के तरीकों का निर्धारण स्थानीय मेजबान में या क्लाउड (सी) पर डेटा स्टोर करने के तरीके तय करते हैं, जिसमें फ़ाइल नाम और फ़ोल्डर (डी) डेटा के लापता मूल्यों के साथ-साथ सेंसर में पाए गए अतिरिदताओं को संभालते हैं , दूसरों के बीच में। इसके अलावा, डेटा क्लाउड के लिए, अपलोडिंग समय पर डेटा की हानि को कम करने के लिए संभव होने पर स्थानीय बफरिंग की सिफारिश की जाती है।

डेटा विसंगति
डेटा नमूना आकार में भिन्नता खोजने के परीक्षणों के बीच डेटा विसंगति आम है। ये मुद्दे पहनने योग्य सेंसर में डेटा अधिग्रहण से संबंधित हैं। डेटा अधिग्रहण और कई सेंसरों से डेटा टकराव के संक्षिप्त रुकावट डेटा विसंगतियों की ओर जाता है । इन मामलों में, सेंसर में ऑनलाइन विफलता को संभालने के लिए असंगतता का पता लगाने वाले एल्गोरिदम महत्वपूर्ण हैं। यह हाइलाइट करना महत्वपूर्ण है कि वायरलेस-आधारित उपकरणों पर प्रयोग के दौरान अक्सर निगरानी की जानी चाहिए। कम बैटरी कनेक्टिविटी को प्रभावित कर सकती है और परिणामस्वरूप डेटा की हानि हो सकती है।

नैतिक
भाग लेने के लिए सहमति और नैतिक अनुमोदन हर प्रकार के प्रयोग में अनिवार्य है जहां लोग शामिल हैं ।

इस कार्यप्रणाली की सीमाओं के बारे में, यह ध्यान रखना महत्वपूर्ण है कि यह उन दृष्टिकोणों के लिए डिज़ाइन किया गया है जो डेटा संग्रह के लिए विभिन्न तौर-तरीकों पर विचार करते हैं। सिस्टम में पहनने योग्य, परिवेश और/या दृष्टि सेंसर शामिल हो सकते हैं । डेटा संग्रह की हानि, पूरी प्रणाली में कनेक्टिविटी और बिजली की खपत कम होने जैसे मुद्दों के कारण उपकरणों की बिजली की खपत और वायरलेस आधारित सेंसरों में बैटरी के जीवनकाल पर विचार करने का सुझाव दिया गया है । इसके अलावा, इस पद्धति का उद्देश्य उन प्रणालियों के लिए है जो मशीन लर्निंग विधियों का उपयोग करते हैं। इन मशीन लर्निंग मॉडलके चयन का विश्लेषण पहले से किया जाना चाहिए। इन मॉडलों में से कुछ सटीक हो सकता है, लेकिन अत्यधिक समय और ऊर्जा की खपत । मशीन लर्निंग मॉडल में कंप्यूटिंग के लिए सटीक अनुमान और सीमित संसाधन उपलब्धता के बीच एक व्यापार बंद को ध्यान में रखा जाना चाहिए । यह भी देखना महत्वपूर्ण है कि, प्रणाली के डेटा संग्रह में, गतिविधियों को एक ही क्रम में आयोजित किया गया; साथ ही इसी क्रम में ट्रायल भी किए गए। सुरक्षा कारणों के लिए, एक सुरक्षात्मक गद्दे विषयों पर गिर करने के लिए इस्तेमाल किया गया था । इसके अलावा फॉल्स को खुद ही शुरू किया गया । यह नकली और वास्तविक फॉल्स के बीच एक महत्वपूर्ण अंतर है, जो आम तौर पर कठिन सामग्रियों की ओर होता है। इस अर्थ में, दर्ज किया गया यह डेटासेट एक सहज प्रतिक्रिया के साथ गिरता है जो गिरने की कोशिश नहीं करता है। इसके अलावा, बुजुर्ग या बिगड़ा लोगों में वास्तविक फॉल्स के बीच कुछ मतभेद हैं और सिमुलेशन गिरता है; और एक नया फॉल डिटेक्शन सिस्टम डिजाइन करते समय इन्हें ध्यान में रखा जाना चाहिए। यह अध्ययन बिना किसी हानि के युवा लोगों पर केंद्रित था, लेकिन यह कहना उल्लेखनीय है कि विषयों के चयन को प्रणाली के लक्ष्य और लक्षित आबादी के अनुरूप होना चाहिए जो इसका उपयोग करेंगे ।

^10,^11,^,^,^12,^,^13,^14,^,^15,^,^16,^,^17,^,¹⁸से ऊपर वर्णित संबंधित कार्यों में से हम देख सकते हैं कि ऐसे लेखक हैं जो मजबूत गिरावट डिटेक्टर ों को प्राप्त करने या वर्गीकरण के प्लेसमेंट या प्रदर्शन पर ध्यान केंद्रित करने में ध्यान केंद्रित करते हुए बहुआयामी दृष्टिकोणों का उपयोग करते हैं।^, इसलिए, वे केवल गिरावट का पता लगाने के लिए डिजाइन मुद्दों में से एक या दो को संबोधित करते हैं। हमारी कार्यप्रणाली एक गिरावट का पता लगाने प्रणाली के मुख्य डिजाइन समस्याओं में से तीन एक साथ हल करने की अनुमति देता है ।

भविष्य के काम के लिए, हम इस पद्धति के बाद प्राप्त निष्कर्षों के आधार पर एक साधारण मल्टीमॉडल फॉल डिटेक्शन सिस्टम को डिजाइन और लागू करने का सुझाव देते हैं। वास्तविक दुनिया गोद लेने के लिए, हस्तांतरण सीखने, पदानुक्रमित वर्गीकरण और गहरी सीखने के दृष्टिकोण का उपयोग अधिक मजबूत प्रणालियों को विकसित करने के लिए किया जाना चाहिए। हमारे कार्यान्वयन में मशीन लर्निंग मॉडलों के गुणात्मक मैट्रिक्स पर विचार नहीं किया गया था, लेकिन मानव गिरावट और गतिविधि का पता लगाने/मान्यता प्रणालियों के और विकास के लिए वास्तविक समय और सीमित कंप्यूटिंग संसाधनों को ध्यान में रखना होगा । अंत में, हमारे डेटासेट, ट्रिपिंग या लगभग गिरने वाली गतिविधियों और उनके दैनिक जीवन के दौरान स्वयंसेवकों की वास्तविक समय निगरानी में सुधार करने के लिए विचार किया जा सकता है।

Disclosures

लेखकों के पास खुलासा करने के लिए कुछ नहीं है ।

Acknowledgments

इस शोध को परियोजना कोड यूपी-सीआई-2018-आईएन-एमएक्स-04 के तहत अनुदान "फोमेंटो ए ला इन्वेस्टिगासिओन यूपी 2018" के माध्यम से यूनीवर्सिड पैनारिया द्वारा वित्त पोषित किया गया है।

Materials

Name	Company	Catalog Number	Comments
Inertial measurement wearable sensor	Mbientlab	MTH-MetaTracker	Tri-axial accelerometer, tri-axial gyroscope and light intensity wearable sensor.
Electroencephalograph brain sensor helmet MindWave	NeuroSky	80027-007	Raw brainwave signal with one forehand sensor.
LifeCam Cinema video camera	Microsoft	H5D-00002	2D RGB camera with USB cable interface.
Infrared sensor	Alean	ABT-60	Proximity sensor with normally closed relay.
Bluetooth dongle	Mbientlab	BLE	Dongle for Bluetooth connection between the wearable sensors and a computer.
Raspberry Pi	Raspberry	Version 3 Model B	Microcontroller for infrared sensor acquisition and computer interface.
Personal computer	Dell		Intel Xeon E5-2630 v4 @2.20 GHz, RAM 32GB

DOWNLOAD MATERIALS LIST

References

United Nations. World Population Prospects: The 2017 Revision, Key Findings and Advance Tables. United Nations. Department of Economic and Social Affairs, Population Division. , ESA/P/WP/248 (2017).
World Health Organization. Ageing, and Life Course Unit. WHO Global Report on Falls Prevention in Older Age. , (2008).
Igual, R., Medrano, C., Plaza, I. Challenges, Issues and Trends in Fall Detection Systems. Biomedical Engineering Online. 12 (1), 66 (2013).
Noury, N., et al. Fall Detection-Principles and Methods. 2007 29th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. , 1663-1666 (2007).
Mubashir, M., Shao, L., Seed, L. A Survey on Fall Detection: Principles and Approaches. Neurocomputing. 100, 144-152 (2002).
Perry, J. T., et al. Survey and Evaluation of Real-Time Fall Detection Approaches. Proceedings of the 6th International Symposium High-Capacity Optical Networks and Enabling Technologies. , 158-164 (2009).
Xu, T., Zhou, Y., Zhu, J. New Advances and Challenges of Fall Detection Systems: A Survey. Applied Sciences. 8 (3), 418 (2018).
Rougier, C., Meunier, J., St-Arnaud, A., Rousseau, J. Robust Video Surveillance for Fall Detection Based on Human Shape Deformation. IEEE Transactions on Circuit Systems for Video Technologies. 21, 611-622 (2011).
Bulling, A., Blanke, U., Schiele, B. A Tutorial on Human Activity Recognition Using Body-Worn Inertial Sensors. ACM Computing Surveys. 46 (3), 33 (2014).
Kwolek, B., Kepski, M. Human Fall Detection on Embedded Platform Using Depth Maps and Wireless Accelerometer. Computational Methods and Programs in Biomedicine. 117, 489-501 (2014).
Ofli, F., Chaudhry, R., Kurillo, G., Vidal, R., Bajcsy, R. Berkeley MHAD: A Comprehensive Multimodal Human Action Database. Proceedings of the 2013 IEEE Workshop on Applications of Computer Vision. , 53-60 (2013).
Dovgan, E., et al. Intelligent Elderly-Care Prototype for Fall and Disease Detection. Slovenian Medical Journal. 80, 824-831 (2011).
Santoyo-Ramón, J., Casilari, E., Cano-García, J. Analysis of a Smartphone-Based Architecture With Multiple Mobility Sensors for Fall Detection With Supervised Learning. Sensors. 18 (4), 1155 (2018).
Özdemir, A. An Analysis on Sensor Locations of the Human Body for Wearable Fall Detection Devices: Principles and Practice. Sensors. 16 (8), 1161 (2016).
Ntanasis, P., Pippa, E., Özdemir, A. T., Barshan, B., Megalooikonomou, V. Investigation of Sensor Placement for Accurate Fall Detection. International Conference on Wireless Mobile Communication and Healthcare. , 225-232 (2016).
Bagala, F., et al. Evaluation of Accelerometer-Based Fall Detection Algorithms on Real-World Falls. PLoS One. 7, 37062 (2012).
Bourke, A. K., et al. Assessment of Waist-Worn Tri-Axial Accelerometer Based Fall-detection Algorithms Using Continuous Unsupervised Activities. Proceedings of the Annual International Conference of the IEEE Engineering in Medicine and Biology Society. , 2782-2785 (2010).
Kerdegari, H., Samsudin, K., Ramli, A. R., Mokaram, S. Evaluation of Fall Detection Classification Approaches. 4th International Conference on Intelligent and Advanced Systems. , 131-136 (2012).
Alazrai, R., Mowafi, Y., Hamad, E. A Fall Prediction Methodology for Elderly Based on a Depth Camera. 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. , 4990-4993 (2015).
Peñafort-Asturiano, C. J., Santiago, N., Núñez-Martínez, J. P., Ponce, H., Martínez-Villaseñor, L. Challenges in Data Acquisition Systems: Lessons Learned from Fall Detection to Nanosensors. 2018 Nanotechnology for Instrumentation and Measurement. , 1-8 (2018).
Martínez-Villaseñor, L., et al. UP-Fall Detection Dataset: A Multimodal Approach. Sensors. 19 (9), 1988 (2019).
Rantz, M., et al. Falls, Technology, and Stunt Actors: New approaches to Fall Detection and Fall Risk Assessment. Journal of Nursing Care Quality. 23 (3), 195-201 (2008).
Lachance, C., Jurkowski, M., Dymarz, A., Mackey, D. Compliant Flooring to Prevent Fall-Related Injuries: A Scoping Review Protocol. BMJ Open. 6 (8), 011757 (2016).

Bioengineering

फॉल डिटेक्शन सिस्टम सरलीकरण के लिए डिजाइन और विश्लेषण

Summary

Abstract

Introduction

Protocol

Representative Results

Discussion

Disclosures

Acknowledgments

Materials

References

Tags

Cite this Article

Summary

Abstract

Introduction

Protocol

Representative Results

Discussion

Disclosures

Acknowledgments

Materials

References

Tags

Cite this Article

Get cutting-edge science videos from JoVE sent straight to your inbox every month.