Varijabilnosti u procesu snimanja akceleracija tijekom simuliranja ljudskih padova

master's thesis

• Title (english): Variabilites in Acceleration Measurement Process During Simulated Human Falls
• Author: Lovro Pavlaković
• Mentor: Ratko Magjarević (mentor)
• Committee member: Ratko Magjarević (predsjednik povjerenstva)
• Committee member: Igor Lacković (član povjerenstva)
• Committee member: Željka Lučev Vasić (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2020-07-15, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Electrical Engineering

Abstract

Automatizirana detekcija padova starijih osoba i osoba s posebnim potrebama je važan dio sustava za praćenje njihova zdravlja. Za treniranje i validaciju sustava za detekciju pada dostupan je velik broj javnih skupova podataka. Pokazalo se da rezultati dobiveni u tim skupovima podataka nisu konzistentni zbog nedostatka standardizirane eksperimentalne metodologije. U ovom radu je analizirano 13 skupova podataka koji su se koristili u istraživanjima detekcije padova pomoću mjerenja troosnim akcelerometrom i istraženi su uzroci varijabilnosti među skupovima podataka. Na tim skupovima podataka je ispitano pet različitih algoritama za detekciju pada predloženih u prethodnim istraživanjima u kombinaciji sa sedam različitih binarnih klasifikatora iz područja strojnog učenja. Pokazano je da vrijednosti pragova koje su korištene u navedenim istraživanjima ne daju zadovoljavajuće rezultate za sve skupove podataka. Razvijena je metoda optimizacije pragova koja se zasniva na pretrazi očekivanog područja u prostoru odlika gdje se nalaze optimalne vrijednosti. Time su postignute osjetljivosti od 94 % i specifičnosti od 98 % uz poboljšanje energetske učinkovitosti algoritama smanjenjem broja poziva klasifikatora za do 36 %.

Abstract (english)

Automated fall detection is an important part of systems for assisted living. Many public datasets are available for training and validating fall detection systems. It has been shown that these datasets are not consistent because of a lack of standardized experimental methodology. 13 publicly available datasets for accelerometer-based fall detection are analyzed in this paper and the causes of the variabilities are explored. 5 different fall detection algorithms that were proposed in previous studies in combination with 7 different machine learning binary classifiers are tested on these datasets. It is shown that the thresholds used in the original studies aren’t applicable to all datasets. This is solved using a proposed optimization method based on a search through the area of feature space which is expected to contain the optimal values. Using this method sensitivity of 94 % and specificity of 98 % are achieved, and the energy efficiency of the algorithms is improved by reducing the number of events that need to be classified by up to 36 %.

• Keywords: Detekcija pada; granične vrijednosti; analiza pokreta; akcelerometar; strojno učenje
• Keywords (english): Fall detection; thresholds; movement analysis; accelerometer; machine learning
• Language: croatian
• URN:NBN: urn:nbn:hr:168:219264
• Study programme: Title: Electrical Engineering and Information Technology; Study programme type: university; Study level: graduate; Academic / professional title: magistar/magistra inženjer/inženjerka elektrotehnike i informacijske tehnologije (magistar/magistra inženjer/inženjerka elektrotehnike i informacijske tehnologije)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2023-01-13 13:25:44