Ανίχνευση πτώσης συνδυαστικά με αναγνώριση δραστηριότητας αξιοποιώντας τους αισθητήρες έξυπνου κινητού τηλεφώνου

Fall detection combined with activity recognition utilizing smart mobile phone sensors (Αγγλική)

  1. MSc thesis
  2. Πολύζος, Αθανάσιος
  3. Συστήματα Κινητού και Διάχυτου Υπολογισμού (ΣΔΥ)
  4. 26 Σεπτεμβρίου 2020 [2020-09-26]
  5. Ελληνικά
  6. 166
  7. Γκουμόπουλος, Χρήστος
  8. Γκουμόπουλος, Χρήστος | Παναγιωτακόπουλος, Θεόδωρος
  9. Ανίχνευση πτώσης | Fall detection | μηχανική μάθηση | Machine Learning | μηχανική μάθηση SVM | Machine Learning SVM | διάβασμα αισθητήρων Android έξυπνου κινητού τηλεφώνου | Android reading sensors
  10. 1
  11. 101
  12. Περιέχει : πίνακες, εικόνες, τύπους, κώδικες, ψευδοκώδικες
    • Σύμφωνα με τον Παγκόσμιο Οργανισμό Υγείας οι πτώσεις είναι η δεύτερη αιτία πρόκλησης τραυματισμών ή θανάτων σε όλο τον κόσμο. Ο αριθμός θανάτων από πτώσεις εξαιρετικά μεγάλος σε ενήλικες άνω των 65 ετών. Εξίσου μεγάλος είναι και ο αριθμός των σοβαρών τραυματισμών που έχει σαν συνέπεια να αυτοπεριορίζονται στις μετακινήσεις τους και να πέφτει πολύ η ποιότητα ζωής τους. Αυτό έχει και μεγάλο κόστος στα συστήματα υγείας των κρατών. Από τους επιστήμονες γίνεται μεγάλη προσπάθεια για την αξιόπιστη ανίχνευση πτώσεων με διάφορους τρόπους χρησιμοποιώντας ποικίλους αισθητήρες, όπως φορετοί αισθητήρες και αισθητήρες περιβάλλοντος. Στην παρούσα εργασία γίνεται αναφορά σε όλους τους τρόπους ανίχνευσης με βάση την βιβλιογραφία. Ακόμη, παρουσιάζονται τα ανοιχτά σύνολα δεδομένων με μετρήσεις από αισθητήρες έξυπνων κινητών τηλεφώνων, έξυπνα ρολόγια, κλπ. Το έξυπνο κινητό τηλέφωνο πέρα από ένα αναπόσπαστο κομμάτι της καθημερινότητάς μας έχει και πολλούς ενσωματωμένους αισθητήρες που με τις κατάλληλες εφαρμογές μπορούν να ανταπεξέλθουν στην ανίχνευση πτώσεων υπό προϋποθέσεις. Παρουσιάζεται μία λύση στο πρόβλημα ανίχνευσης πτώσεων μέσω εφαρμογής Android για το διάβασμα των αισθητήρων από το έξυπνο κινητό τηλέφωνο. Ακόμη υλοποιήθηκε ένα βασικό σύστημα ανίχνευσης πτώσης μηχανικής μάθησης SVM που πετυχαίνει ακρίβεια πάνω από 96% στην αναγνώριση πτώσης χρησιμοποιώντας ένα από τα ανοιχτά σύνολα δεδομένων, αξιοποιώντας δεδομένα από τους αισθητήρες επιταχυνσιόμετρου, γυροσκοπίου και περιστροφής.
    • According to the World Health Organization, falls are the second leading cause of injury or death worldwide. The number of deaths from falls is very high in adults over 65 years old. The number of serious injuries is also high, which has the consequence to limit themselves to their movements and the quality of life falls sharply. This also has high costs for the health systems of the countries. Scientists are making great efforts to reliably detect the fall in various ways using various sensors, such as wearable sensors and ambient sensors. In this paper, reference is made to all methods of detection based on the bibliography. Open datasets with measurements from mobile phone sensors, smartwatches, etc. The mobile phone is not only an integral part of our everyday lives but also has many build-in sensors that with the appropriate applications can cope with the purpose of detecting falls under certain conditions. In this paper reviews the bibliography as well as already commercial fall detection applications. An Android application solution is presented for the reading of the sensors from the smart mobile phone. A base system with SVM Machine Learning was also implemented that achieves more than 96% accuracy in fall detection using one of the open datasets, using data from the accelerometer, gyroscope and rotation sensors.
  14. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.