AI Summary & Key Takeaways
AI InsightThe results confirm that the fall can be detected by anomaly detection approaches and that only daily activity data is sufficient to obtain the machine learning model.
📌 3 Key Takeaways
Abstract
The rapid increase in the elderly population and the physical, sensory, and cognitive declines encountered due to old age cause falling as a growing problem day by day and induce fall detection studies to accelerate. Although supervised learning approaches are used in the fall detection problem, which consists of distinguishing daily activities from falling, it does not allow obtaining a general model because falling is a rare event that can be encountered in many different ways. This study proposes determining the fall with unsupervised anomaly detection. A comprehensive data set with 35 types of falls and 44 types of daily activities was used to obtain the unsupervised learning model and to detect falls through the model. In the training of the Gaussian mixture model, which is an unsupervised learning method, features obtained from 3-axis accelerometer signals collected from daily activities were used. During the test phase, the model was subject to fall and daily activity data, and the data with very low probabilities according to the model were accepted as anomalies, therefore falling. In the tests, the falls were detected with an accuracy of around 90.5% and the results were compared with other studies. The results confirm that the fall can be detected by anomaly detection approaches and that only daily activity data is sufficient to obtain the machine learning model.
Özet
Yaşlı nüfusunun hızla artması ve yaşlılığa bağlı olarak karşılaşılan fiziksel, duyusal ve bilişsel gerilemeler, düşmeyi her geçen gün büyüyen bir problem olarak karşımıza çıkarmakta ve düşme tespiti çalışmalarının hız kazanmasına sebep olmaktadır. Günlük aktivitelerin düşmeden ayırt edilmesinden ibaret olan düşme tespiti probleminde, denetimli öğrenme yaklaşımları kullanılmasına rağmen, düşmenin nadir rastlanan ve çok farklı biçimlerde karşılaşılabilen bir olay olması genel bir model elde edilmesine izin vermemektedir. Bu çalışmada denetimsiz anomali tespiti ile düşmenin belirlenmesi önerilmektedir. Denetimsiz öğrenme modelinin elde edilmesinde ve model vasıtasıyla düşmenin tespitinde 35 tip düşme ve 44 tip günlük aktiviteye sahip kapsamlı bir veri setinden faydalanılmıştır. Denetimsiz öğrenme yöntemi olan Gauss karışım modelinin eğitiminde, günlük aktivitelerden toplanan 3-eksen ivmeölçer sinyallerinden elde edilen öznitelikler kullanılmıştır. Test aşamasında model, düşme ve günlük aktivite verileri ile karşılaşmış, modele göre olasılığı çok düşük olan veriler anomali, dolayısıyla düşme olarak kabul edilmiştir. Testlerde düşmeler %90,5 civarında doğru olarak tespit edilmiştir. Sonuçlar düşmenin anomali tespiti yaklaşımları ile belirlenebileceğini ve makine öğrenmesi modelinin elde edilmesi için yalnız günlük aktivite verilerinin yeterli olduğu yaklaşımını doğrulamaktadır.