Sismik sensör ağı kullanılarak insan düşmesinin tespit edilmesi

Abstract

İnsanlar yaşlandıkça düşme, büyük bir sağlık tehdidi oluşturmaktadır. Bu konudaki çalışmalar düşmelere hızlı tepki vermenin ölümle sonuçlanan vaka sayısında kritik azalma sağladığını göstermektedir. Bu nedenle sağlık gözetleme yapan biyomedikal uygulamalarında kullanılan sensörler yardımıyla sinyal işleme algoritmalarının geliştirilmesi önemli bir araştırma alanına dönüşmüştür. Bu çalışmada sismik sensör ağı kullanılarak hareket sınıflandırılması ve düşme tespiti için yeni bir algoritma önerilmiştir. Daha ayrıntılı olarak, insan düşmesinin yanında kapı çarpması, pencere çarpması ve bir nesnenin düşmesi gibi parazit sinyallerin sınıflandırılması değerlendirilmektedir. Bu tez çalışmasında spektral istatistik ve ayrık dalgacık dönüşümü ile öznitelik çıkarma metotları önerilmiştir. Sismik sensör ağı kullanılarak alınan gerçek verilerin performans sonuçları verilmiştir. Bu algoritma ile özellikle karışıklığa sebep olabilecek parazit sinyallere karşı yanlış alarm sayıları düşürülmüştür. Yapılan çalışmalar sonucunda insan düşmesi %99,4 doğruluk oranıyla tespit edilmiştir.

Falls present a great health threat as people get older; moreover, studies have shown that rapid response is critical to decreasing fall-related mortality. Thus, the development of signal processing algorithms for sensors used in biomedical applications involving assisted living has become an avid area of research. In this work, a novel algorithm for activity classification and fall detection using a seismic sensor network is proposed. More specifically, classification of falling as well as sources of parasitic signals, such as dropping an object, slamming a door, and shutting a window, are considered. A new target detection and feature extraction algorithm based on wavelet coefficient characterization and spectral statistics is proposed. Results quantifying the performance of the algorithm on real data from a seismic sensor network are given. It is shown that the algorithm offers a reduction of false alarms especially in the case of potentially confusable parasitic signals. According to the studies human falls were detected with an accuracy rate of 99.4%.