Wavelet transform based fall detection using wearable accelerometers

Abstract

Düşme, özellikle yaşlılar için, önemli bir risk ve yaşlıların bağımsız yaşamı önündebir engel olarak belirlenmiştir. Bir düşme durumunda hızlı müdahale gerekmektedir,fakat düşmeden kaynaklanan sebeplerle düşen kişi kendi başına yardım çağıramayacakdurumda olabilir. Düşme durumlarının hızlı ve otomatik bir şekilde algılanması, düşmekaynaklı sağlık risklerini azaltacağı gibi yaşlılar için bağımsız ya¸ santıyı daha güvenlihale getirecek ve bağımsız yaşam önündeki bu engeli kaldıracaktır. Bu tezde otomatikdüşme sezme amacı ile giyilebilir ivmeölçer kullanan dalgacık dönü¸ sümü tabanlı biryöntem önermekteyiz. Ayrıca çeşitli etmenlerin düşme sezme yönteminin başarımınaolan etkisini incelemek amacı ile çok sayıda deney yapılmış olup, bunların sonuçlarıda bu tezde verilmektedir. Sonuçlar önerilen yöntemin pek çok farklı etmenin etkisialtında yüksek başarım gösterdiğine işaret etmektedir.Bahsedilen düşme sezme yöntemi, WeCare adı verilen bir sağlık gözetimi ortamınınparçası olan giyilebilir ivmeölçerler kullanılarak gerçeklenmiştir. WeCare düşmesezme için gereken algılama yeteneklerini sunmakla kalmayıp, çeşitli iletişim ve uyarıyöntemlerini de kullanıma açmaktadır. Bu yöntemleri kullanarak düşme sezilmesi durumundabakıcılara ve ilgili kişilere uyarı gönderilerek bu kişilerin hızla durumdan haberdaredilmesi sağlanmaktadır. Bu tezin bir parçası olarak WeCare ortamının yapısıve düşme sezme yönteminin bu ortama eklenmesi de anlatılacaktır.

Falls are identi ? ed as a major health risk, especially for the elderly people and areconsidered a major obstacle to independent living. Quick medical response is desired incase of a fall event. However, the fall may leave the elderly person in such a state thatthe elderly may be unable to call for help on his/her own. Automatic and fast detectionof falls would decrease the health risks associated with the falls and would make inde-pendent living safer for the elderly people. In this thesis, we propose an automatic falldetection system that uses a wearable accelerometer and incorporates wavelet trans-form as a feature extraction method. We conducted experiments to investigate theperformance of the system under the e ? ect of several factors including fall properties,selection of wavelet transform parameters and sensor platform types. Results indicatethat our proposed approach is robust with high fall detection performance.The fall detection mechanism was realized using the wearable sensors that werepart of an indoor monitoring environment, namely WeCare. WeCare not only providedthe necessary sensing capabilities for the fall detection but it also made available severalcommunication and noti ? cation methods. Using these methods, we were able to notifycaregivers in case of fall detection. In this thesis, we also describe the WeCare systemand the integration of our fall detection study into it.