हम एक सरल, आरामदायक और तेजी से गिरावट का पता लगाने और मानव गतिविधि मान्यता प्रणाली को कॉन्फ़िगर करने के लिए मल्टीमॉडल सेंसर पर आधारित एक कार्यप्रणाली प्रस्तुत करते हैं। लक्ष्य सटीक गिरावट का पता लगाने के लिए एक प्रणाली का निर्माण करना है जिसे आसानी से लागू किया जा सकता है और अपनाया जा सकता है।
यह पेपर एक सरल, आरामदायक और तेजी से गिरावट का पता लगाने और मानव गतिविधि मान्यता प्रणाली को कॉन्फ़िगर करने के लिए मल्टीमॉडल सेंसर पर आधारित एक कार्यप्रणाली प्रस्तुत करता है जिसे आसानी से लागू और अपनाया जा सकता है। कार्यप्रणाली विशिष्ट प्रकार के सेंसर, मशीन-लर्निंग विधियों और प्रक्रियाओं के विन्यास पर आधारित है। प्रोटोकॉल को चार चरणों में विभाजित किया गया है: (1) डेटाबेस निर्माण (2) डेटा विश्लेषण (3) प्रणाली सरलीकरण और (4) मूल्यांकन। इस पद्धति का उपयोग करते हुए, हमने गिरावट का पता लगाने और मानव गतिविधि मान्यता, अर्थात् अप-फॉल डिटेक्शन के लिए एक मल्टीमॉडल डेटाबेस बनाया। इसमें 17 विषयों के डेटा नमूने शामिल हैं जो 3 परीक्षणों के दौरान 5 प्रकार के फॉल्स और 6 अलग-अलग सरल गतिविधियों को अंजाम देते हैं। सभी जानकारी 5 पहनने योग्य सेंसर (त्रिकोणीय धुरी एक्सेलेरोमीटर, जायरोस्कोप और प्रकाश तीव्रता), 1 इलेक्ट्रोएंसेफेलोग्राफ हेलमेट, परिवेश सेंसर के रूप में 6 अवरक्त सेंसर, और पार्श्व और सामने दृष्टिकोण में 2 कैमरों का उपयोग कर के इकट्ठा किया गया था । प्रस्तावित उपन्यास पद्धति गिरावट का पता लगाने प्रणाली को सरल बनाने के लिए निम्नलिखित डिजाइन मुद्दों का गहरा विश्लेषण करने के लिए कुछ महत्वपूर्ण चरणों को जोड़ती है: ए) चुनें कि एक साधारण गिरावट का पता लगाने प्रणाली में सेंसर या संयोजन का उपयोग किया जाना है, बी) सूचना के स्रोतों का सबसे अच्छा प्लेसमेंट निर्धारित करता है, और सी) गिरावट और मानव गतिविधि का पता लगाने और मान्यता के लिए सबसे उपयुक्त मशीन लर्निंग वर्गीकरण विधि का चयन करें। हालांकि साहित्य में रिपोर्ट किए गए कुछ बहुआयामी दृष्टिकोण केवल उपरोक्त मुद्दों में से एक या दो पर ध्यान केंद्रित करते हैं, हमारी कार्यप्रणाली मानव गिरावट और गतिविधि का पता लगाने और मान्यता प्रणाली से संबंधित इन तीन डिजाइन समस्याओं को एक साथ हल करने की अनुमति देती है।
चूंकि जनसंख्या1की विश्व घटना में गिरावट का प्रचलन बढ़ा है और वास्तव में इसे एक प्रमुख स्वास्थ्य समस्या माना जाता है। जब गिरावट आती है, तो नकारात्मक परिणामों को कम करने के लिए लोगों को तत्काल ध्यान देने की आवश्यकता होती है। फॉल डिटेक्शन सिस्टम उस समय की मात्रा को कम कर सकता है जिसमें गिरावट आने पर किसी व्यक्ति को अलर्ट भेजने पर चिकित्सा ध्यान मिलता है।
फॉल डिटेक्शन सिस्टम3के विभिन्न वर्गीकरण हैं । शुरुआती काम करता है4 का पता लगाने की उनकी विधि, मोटे तौर पर विश्लेषणात्मक तरीकों और मशीन लर्निंग विधियों द्वारा गिरावट का पता लगाने प्रणाली वर्गीकृत । हाल ही में, अन्य लेखकों3,,5,,6 ने डेटा अधिग्रहण सेंसर को गिरावट डिटेक्टरों को वर्गीकृत करने के लिए मुख्य विशेषता माना है। Igual et अल.3 संदर्भ-जागरूक प्रणालियों में गिरावट का पता लगाने प्रणाली को विभाजित करता है, जिसमें दृष्टि और परिवेश-सेंसर आधारित दृष्टिकोण और पहनने योग्य डिवाइस सिस्टम शामिल हैं। मुबशीर एट अल.5 डेटा अधिग्रहण के लिए उपयोग किए जाने वाले उपकरणों के आधार पर तीन समूहों में गिरावट डिटेक्टरों को वर्गीकृत करता है: पहनने योग्य उपकरण, माहौल सेंसर, और दृष्टि आधारित उपकरण। पेरी एट अल6 त्वरण को मापने के तरीकों पर विचार करता है, अन्य तरीकों के साथ संयुक्त त्वरण को मापने के तरीकों, और त्वरण को मापने के तरीकों को मापने नहीं है। इन सर्वेक्षणों से, हम यह निर्धारित कर सकते हैं कि सामान्य अनुसंधान रणनीति को वर्गीकृत करने के लिए सेंसर और विधियां मुख्य तत्व हैं।
सेंसर के प्रत्येक कमजोरियों और ताकत Xu एट अल7में चर्चा की है । विजन-आधारित दृष्टिकोण मुख्य रूप से सामान्य कैमरों, गहराई सेंसर कैमरों, और/या गति कैप्चर सिस्टम का उपयोग करते हैं। सामान्य वेब कैमरे कम लागत वाले और उपयोग में आसान होते हैं, लेकिन वे पर्यावरणीय स्थितियों (प्रकाश भिन्नता, ऑक्सीलेशन, आदि) के प्रति संवेदनशील होते हैं, केवल कम जगह में उपयोग किया जा सकता है, और गोपनीयता के मुद्दे होते हैं। गहराई कैमरे, जैसे किनेक्ट, पूर्ण शरीर 3 डी मोशन7 प्रदान करते हैं और सामान्य कैमरों की तुलना में प्रकाश की स्थिति से कम प्रभावित होते हैं। हालांकि, Kinect पर आधारित दृष्टिकोण के रूप में मजबूत और विश्वसनीय नहीं हैं । मोशन कैप्चर सिस्टम अधिक महंगे और उपयोग करने में मुश्किल हैं।
एक्सेलेरोमीटर उपकरणों और स्मार्ट फोन/बिल्ट-इन एक्सेलेरोमीटर के साथ घड़ियों के आधार पर दृष्टिकोण का उपयोग आमतौर पर गिरावट का पता लगाने के लिए किया जाता है । इन उपकरणों की मुख्य खामी यह है कि इन्हें लंबी अवधि के लिए पहनना पड़ता है। असुविधा, अस्पष्टता, शरीर प्लेसमेंट और अभिविन्यास इन दृष्टिकोणों में हल किए जाने वाले डिजाइन मुद्दे हैं। हालांकि स्मार्टफोन और स्मार्ट घड़ियां कम विनीत उपकरण हैं जो सेंसर, बड़े लोग अक्सर भूल जाते हैं या हमेशा इन उपकरणों को नहीं पहनते हैं । फिर भी, इन सेंसरों और उपकरणों का लाभ यह है कि वे कई कमरों में इस्तेमाल किया जा सकता है और/
कुछ सिस्टम फॉल्स/गतिविधियों को पहचानने के लिए पर्यावरण के आसपास रखे गए सेंसर का उपयोग करते हैं, इसलिए लोगों को सेंसर पहनने की नहीं है । हालांकि ये सेंसर उन जगहों तक भी सीमित हैं, जहां इन्हें8 तैनात किया जाता है और कभी-कभी इंस्टॉल करना मुश्किल होता है। हाल ही में, मल्टीमॉडल फॉल डिटेक्शन सिस्टम में अधिक सटीकता और मजबूती हासिल करने के लिए दृष्टि, पहनने योग्य और परिवेश सेंसर के विभिन्न संयोजन शामिल हैं। वे कुछ एकल सेंसर सीमाओं को भी दूर कर सकते हैं।
फॉल डिटेक्शन के लिए उपयोग की जाने वाली पद्धति बुलिंग एट अल 9 द्वारा प्रस्तुत मानव गतिविधि मान्यता श्रृंखला (एआरसी) से निकटता से संबंधितहै,जिसमें डेटा अधिग्रहण, सिग्नल प्रीप्रोसेसिंग और सेगमेंटेशन, सुविधा निष्कर्षण और चयन, प्रशिक्षण और वर्गीकरण के लिए चरण होते हैं। डिजाइन के मुद्दों को इन चरणों में से प्रत्येक के लिए हल किया जाना चाहिए। प्रत्येक चरण में विभिन्न तरीकों का उपयोग किया जाता है।
हम एक सरल, आरामदायक और तेज मानव गिरावट और मानव गतिविधि का पता लगाने/मान्यता प्रणाली को विन्यस्त करने के लिए मल्टीमॉडल सेंसर पर आधारित एक पद्धति प्रस्तुत करते हैं । लक्ष्य सटीक गिरावट का पता लगाने के लिए एक प्रणाली का निर्माण करना है जिसे आसानी से लागू किया जा सकता है और अपनाया जा सकता है। प्रस्तावित उपन्यास पद्धति एआरसी पर आधारित है, लेकिन यह प्रणाली को सरल बनाने के लिए निम्नलिखित मुद्दों का गहरा विश्लेषण करने के लिए कुछ महत्वपूर्ण चरणों को जोड़ता है: (क) चुनें कि सेंसर के सेंसर या संयोजन का उपयोग एक साधारण गिरावट का पता लगाने प्रणाली में किया जाना है; (ख) सूचना स्त्रोतों का सर्वोत्तम स्थान निर्धारित करें ; और (ग) एक सरल प्रणाली बनाने के लिए गिरावट का पता लगाने और मानव गतिविधि मान्यता के लिए सबसे उपयुक्त मशीन लर्निंग वर्गीकरण विधि का चयन करें ।
साहित्य में कुछ संबंधित कार्य हैं जो उपरोक्त डिजाइन मुद्दों में से एक या दो को संबोधित करते हैं, लेकिन हमारी जानकारी के लिए, ऐसा कोई काम नहीं है जो इन सभी समस्याओं को दूर करने की कार्यप्रणाली पर केंद्रित हो।
संबंधित काम करता है गिरावट का पता लगाने और मानव गतिविधि मांयता10,,11,,12 के लिए बहुमॉडल दृष्टिकोण का उपयोग करने के लिए मजबूती हासिल करने और परिशुद्धता बढ़ाने के लिए । Kwolek एट अल10 डिजाइन और एक्सेलेरोमेट्रिक डेटा और गहराई नक्शे के आधार पर एक गिरावट का पता लगाने प्रणाली के कार्यान्वयन का प्रस्ताव रखा । उन्होंने एक दिलचस्प कार्यप्रणाली तैयार की जिसमें संभावित गिरावट के साथ-साथ व्यक्ति की गति का पता लगाने के लिए तीन-धुरी एक्सेलेरोमीटर लागू किया जाता है। यदि त्वरण उपाय एक सीमा से अधिक है, तो एल्गोरिदम एक व्यक्ति को ऑनलाइन अपडेट किए गए गहराई संदर्भ मानचित्र से गहराई मानचित्र को अलग करता है। एक समर्थन वेक्टर मशीन वर्गीकरण का उपयोग करगहराई और एक्सेलेरोमीटर संयोजनों का विश्लेषण किया गया था।
ओपली एट अल11 ने नई मानव गतिविधि मान्यता प्रणालियों के लिए एक टेस्टबेड प्रदान करने के लिए एक मल्टीमॉडल ह्यूमन एक्शन डाटाबेस (MHAD) प्रस्तुत किया। डेटासेट महत्वपूर्ण है क्योंकि कार्रवाई 1 ऑप्टिकल मोशन कैप्चर सिस्टम, 4 मल्टी-व्यू कैमरे, 1 काइनेक्ट सिस्टम, 4 माइक्रोफोन और 6 वायरलेस एक्सेलेरोमीटर का उपयोग करके एक साथ इकट्ठा की गई थी। लेखकों ने प्रत्येक तौर-तरीकों के लिए परिणाम प्रस्तुत किए: किनेक्ट, मोकैप, एक्सेलेरोमीटर, और ऑडियो।
Dovgan एट अल12 बुजुर्गों में गिर जाता है सहित असंगत व्यवहार का पता लगाने के लिए एक प्रोटोटाइप का प्रस्ताव रखा । उन्होंने गिरावट और असामान्य व्यवहार का पता लगाने के लिए सबसे उपयुक्त उपकरण खोजने के लिए तीन सेंसर सिस्टम के लिए परीक्षण डिजाइन किए। पहले प्रयोग में एक स्मार्ट सेंसर सिस्टम से डेटा होता है जिसमें कूल्हों, घुटनों, टखने, कलाई, कोहनी और कंधों से जुड़े 12 टैग होते हैं। उन्होंने कमर, छाती और दोनों एड़ियों से जुड़े चार टैग और एक एक्ससेंस एक्सेलेरोमीटर के साथ एक यूबीसेंस सेंसर सिस्टम का उपयोग करके एक परीक्षण डेटासेट भी बनाया। एक तीसरे प्रयोग में, चार विषयों केवल Ubisense प्रणाली का उपयोग करते हुए गिर जाता है के 4 प्रकार, असंगत व्यवहार और दैनिक जीवन (ADL) की विभिन्न गतिविधि के रूप में 4 स्वास्थ्य समस्याओं का प्रदर्शन ।
साहित्य13,,14,,15 में अन्य कार्य कई वर्गीकृतकर्ताओं के साथ सेंसर के विभिन्न संयोजनों के प्रदर्शन की तुलना में गिरावट का पता लगाने के लिए सेंसर या उपकरणों का सबसे अच्छा प्लेसमेंट खोजने की समस्या का समाधान करते हैं। सैंटोयो एट अल13 ने फॉल डिटेक्शन के लिए 5 सेंसर के स्थान के महत्व का मूल्यांकन करते हुए एक व्यवस्थित आकलन प्रस्तुत किया । उन्होंने कश्मीर-निकटतम पड़ोसियों (KNN), सपोर्ट वेक्टर मशीनों (एसवीएम), भोली बाय्स (एनबी) और निर्णय वृक्ष (डीटी) वर्गीकरण का उपयोग करके इन सेंसर संयोजनों के प्रदर्शन की तुलना की। वे निष्कर्ष निकालते हैं कि इस विषय पर सेंसर के स्थान का उपयोग किए गए क्लासिफायर से स्वतंत्र पतन डिटेक्टर प्रदर्शन पर एक महत्वपूर्ण प्रभाव पड़ता है।
फॉल डिटेक्शन के लिए शरीर पर वियरेबल सेंसर प्लेसमेंट की तुलना Özdemir14द्वारा प्रस्तुत की गई थी । सेंसर प्लेसमेंट निर्धारित करने के लिए, लेखक ने निम्नलिखित पदों के 31 सेंसर संयोजनों का विश्लेषण किया: सिर, कमर, छाती, दाहिनी कलाई, दाएं टखने और दाहिनी जांघ। चौदह स्वयंसेवकों ने 20 नकली फॉल्स और 16 एडीएल का प्रदर्शन किया । उन्होंने पाया कि सबसे अच्छा प्रदर्शन तब प्राप्त किया गया जब इन संपूर्ण संयोजन प्रयोगों से कमर पर एक सेंसर तैनात किया जाता है । एक और तुलना Ntanasis15 द्वारा प्रस्तुत किया गया था Özdemir डेटासेट का उपयोग कर । लेखकों ने निम्नलिखित वर्गाकारों का उपयोग करके सिर, छाती, कमर, कलाई, टखने और जांघ पर एकल पदों की तुलना की: J48, KNN, आरएफ, यादृच्छिक समिति (आर सी) और एसवीएम।
गिरने का पता लगाने के लिए विभिन्न कम्प्यूटेशनल तरीकों के प्रदर्शन के मानक साहित्य16,17,18में भी पाए जा सकते हैं . बडाला एट अल16 ने वास्तविक फॉल्स पर परीक्षण किए गए तेरह फॉल डिटेक्शन तरीकों के प्रदर्शन को बेंचमार्क करने के लिए एक व्यवस्थित तुलना प्रस्तुत की । वे केवल कमर या ट्रंक पर रखे गए एक्सेलेरोमीटर माप के आधार पर एल्गोरिदम मानते थे। Bourke एट अल17 ADLs के एक डेटासेट का उपयोग कर गिरावट का पता लगाने के लिए पांच विश्लेषणात्मक एल्गोरिदम के प्रदर्शन का मूल्यांकन किया और एक्सेलेरोमीटर रीडिंग के आधार पर गिर जाता है । केरडेगारी18 ने रिकॉर्ड किए गए त्वरण डेटा के एक सेट के लिए विभिन्न वर्गीकरण मॉडलों के प्रदर्शन की तुलना भी की । फॉल डिटेक्शन के लिए इस्तेमाल किए जाने वाले एल्गोरिदम में जीरोआर, वनर, एनबी, डीटी, मल्टीलेयर परसेप्ट्रॉन और एसवीएम थे ।
पतन का पता लगाने के लिए एक पद्धति अलाज़राई एट अल द्वारा प्रस्तावित किया गया था। मानव गतिविधि के संचित हिस्टोग्राम आधारित प्रतिनिधित्व के निर्माण के लिए मोशन पोज ज्यामितीय वर्णनकर्ता का उपयोग कर । उन्होंने काइनेक्ट सेंसर के साथ एकत्र किए गए डेटासेट का उपयोग करके ढांचे का मूल्यांकन किया।
सारांश में, हमें मल्टीमॉडल फॉल डिटेक्शन संबंधित काम10,,11,,12 मिले जो तौर-तरीकों के विभिन्न संयोजनों के प्रदर्शन की तुलना करते हैं। कुछ लेखक सेंसर13,,14,,15,या सेंसर13 के संयोजन ों के सर्वश्रेष्ठ प्लेसमेंट को खोजने की समस्या का समाधान करते हैं, जिसमें कई वर्गीकृत13,15,,16 एक ही तौर-तरीकों और एक्सेलेरोमीटर के कई सेंसरों के साथ होते हैं।, साहित्य में कोई काम नहीं मिला जो एक ही समय में प्लेसमेंट, मल्टीमॉडल कॉम्बिनेशन और क्लासिफायर बेंचमार्क को संबोधित करता है।
डेटासेट बनाए जाने पर सिंक्रोनाइजेशन, संगठन और डेटा असंगतता समस्याओं20 के कारण चुनौतियों का सामना करना आम बात है।
सिंक्रनाइज़ेशन
डेटा के अधिग्रहण में, सिंक्रोनाइजेशन की समस्याएं उत्पन्न होती हैं कि कई सेंसर आमतौर पर विभिन्न नमूना दरों पर काम करते हैं। उच्च आवृत्तियों वाले सेंसर कम आवृत्तियों वाले लोगों की तुलना में अधिक डेटा एकत्र करते हैं। इस प्रकार, विभिन्न स्रोतों से डेटा सही ढंग से नहीं जोड़ा जाएगा। यहां तक कि अगर सेंसर एक ही नमूना दरों पर चलते हैं, यह संभव है कि डेटा गठबंधन नहीं किया जाएगा । इस संबंध में, निम्नलिखित सिफारिशें सेंसर से प्राप्त20प्रत्येक डेटा नमूने में टाइमस्टैंप, विषय, गतिविधि और परीक्षण दर्ज करने में इन सिंक्रोनाइजेशन समस्याओं को संभालने में मदद कर सकती हैं; (ii) सूचना के सबसे सुसंगत और कम लगातार स्रोत को सिंक्रोनाइजेशन के संदर्भ संकेत के रूप में उपयोग किया जाना चाहिए; और (iii) वीडियो रिकॉर्डिंग को सिंक्रोनाइज़ करने के लिए स्वचालित या अर्ध-स्वचालित प्रक्रियाओं का उपयोग करें कि मैनुअल निरीक्षण अव्यावहारिक होगा।
डेटा प्री-प्रोसेसिंग
डेटा प्री-प्रोसेसिंग भी किया जाना चाहिए, और महत्वपूर्ण निर्णय इस प्रक्रिया को प्रभावित करते हैं: (क) डेटा भंडारण और कई और विषम स्रोतों (ख) के डेटा प्रतिनिधित्व के तरीकों का निर्धारण स्थानीय मेजबान में या क्लाउड (सी) पर डेटा स्टोर करने के तरीके तय करते हैं, जिसमें फ़ाइल नाम और फ़ोल्डर (डी) डेटा के लापता मूल्यों के साथ-साथ सेंसर में पाए गए अतिरिदताओं को संभालते हैं , दूसरों के बीच में। इसके अलावा, डेटा क्लाउड के लिए, अपलोडिंग समय पर डेटा की हानि को कम करने के लिए संभव होने पर स्थानीय बफरिंग की सिफारिश की जाती है।
डेटा विसंगति
डेटा नमूना आकार में भिन्नता खोजने के परीक्षणों के बीच डेटा विसंगति आम है। ये मुद्दे पहनने योग्य सेंसर में डेटा अधिग्रहण से संबंधित हैं। डेटा अधिग्रहण और कई सेंसरों से डेटा टकराव के संक्षिप्त रुकावट डेटा विसंगतियों की ओर जाता है । इन मामलों में, सेंसर में ऑनलाइन विफलता को संभालने के लिए असंगतता का पता लगाने वाले एल्गोरिदम महत्वपूर्ण हैं। यह हाइलाइट करना महत्वपूर्ण है कि वायरलेस-आधारित उपकरणों पर प्रयोग के दौरान अक्सर निगरानी की जानी चाहिए। कम बैटरी कनेक्टिविटी को प्रभावित कर सकती है और परिणामस्वरूप डेटा की हानि हो सकती है।
नैतिक
भाग लेने के लिए सहमति और नैतिक अनुमोदन हर प्रकार के प्रयोग में अनिवार्य है जहां लोग शामिल हैं ।
इस कार्यप्रणाली की सीमाओं के बारे में, यह ध्यान रखना महत्वपूर्ण है कि यह उन दृष्टिकोणों के लिए डिज़ाइन किया गया है जो डेटा संग्रह के लिए विभिन्न तौर-तरीकों पर विचार करते हैं। सिस्टम में पहनने योग्य, परिवेश और/या दृष्टि सेंसर शामिल हो सकते हैं । डेटा संग्रह की हानि, पूरी प्रणाली में कनेक्टिविटी और बिजली की खपत कम होने जैसे मुद्दों के कारण उपकरणों की बिजली की खपत और वायरलेस आधारित सेंसरों में बैटरी के जीवनकाल पर विचार करने का सुझाव दिया गया है । इसके अलावा, इस पद्धति का उद्देश्य उन प्रणालियों के लिए है जो मशीन लर्निंग विधियों का उपयोग करते हैं। इन मशीन लर्निंग मॉडलके चयन का विश्लेषण पहले से किया जाना चाहिए। इन मॉडलों में से कुछ सटीक हो सकता है, लेकिन अत्यधिक समय और ऊर्जा की खपत । मशीन लर्निंग मॉडल में कंप्यूटिंग के लिए सटीक अनुमान और सीमित संसाधन उपलब्धता के बीच एक व्यापार बंद को ध्यान में रखा जाना चाहिए । यह भी देखना महत्वपूर्ण है कि, प्रणाली के डेटा संग्रह में, गतिविधियों को एक ही क्रम में आयोजित किया गया; साथ ही इसी क्रम में ट्रायल भी किए गए। सुरक्षा कारणों के लिए, एक सुरक्षात्मक गद्दे विषयों पर गिर करने के लिए इस्तेमाल किया गया था । इसके अलावा फॉल्स को खुद ही शुरू किया गया । यह नकली और वास्तविक फॉल्स के बीच एक महत्वपूर्ण अंतर है, जो आम तौर पर कठिन सामग्रियों की ओर होता है। इस अर्थ में, दर्ज किया गया यह डेटासेट एक सहज प्रतिक्रिया के साथ गिरता है जो गिरने की कोशिश नहीं करता है। इसके अलावा, बुजुर्ग या बिगड़ा लोगों में वास्तविक फॉल्स के बीच कुछ मतभेद हैं और सिमुलेशन गिरता है; और एक नया फॉल डिटेक्शन सिस्टम डिजाइन करते समय इन्हें ध्यान में रखा जाना चाहिए। यह अध्ययन बिना किसी हानि के युवा लोगों पर केंद्रित था, लेकिन यह कहना उल्लेखनीय है कि विषयों के चयन को प्रणाली के लक्ष्य और लक्षित आबादी के अनुरूप होना चाहिए जो इसका उपयोग करेंगे ।
10,11,,,12,,13,14,,15,,16,,17,,18से ऊपर वर्णित संबंधित कार्यों में से हम देख सकते हैं कि ऐसे लेखक हैं जो मजबूत गिरावट डिटेक्टर ों को प्राप्त करने या वर्गीकरण के प्लेसमेंट या प्रदर्शन पर ध्यान केंद्रित करने में ध्यान केंद्रित करते हुए बहुआयामी दृष्टिकोणों का उपयोग करते हैं।, इसलिए, वे केवल गिरावट का पता लगाने के लिए डिजाइन मुद्दों में से एक या दो को संबोधित करते हैं। हमारी कार्यप्रणाली एक गिरावट का पता लगाने प्रणाली के मुख्य डिजाइन समस्याओं में से तीन एक साथ हल करने की अनुमति देता है ।
भविष्य के काम के लिए, हम इस पद्धति के बाद प्राप्त निष्कर्षों के आधार पर एक साधारण मल्टीमॉडल फॉल डिटेक्शन सिस्टम को डिजाइन और लागू करने का सुझाव देते हैं। वास्तविक दुनिया गोद लेने के लिए, हस्तांतरण सीखने, पदानुक्रमित वर्गीकरण और गहरी सीखने के दृष्टिकोण का उपयोग अधिक मजबूत प्रणालियों को विकसित करने के लिए किया जाना चाहिए। हमारे कार्यान्वयन में मशीन लर्निंग मॉडलों के गुणात्मक मैट्रिक्स पर विचार नहीं किया गया था, लेकिन मानव गिरावट और गतिविधि का पता लगाने/मान्यता प्रणालियों के और विकास के लिए वास्तविक समय और सीमित कंप्यूटिंग संसाधनों को ध्यान में रखना होगा । अंत में, हमारे डेटासेट, ट्रिपिंग या लगभग गिरने वाली गतिविधियों और उनके दैनिक जीवन के दौरान स्वयंसेवकों की वास्तविक समय निगरानी में सुधार करने के लिए विचार किया जा सकता है।
The authors have nothing to disclose.
इस शोध को परियोजना कोड यूपी-सीआई-2018-आईएन-एमएक्स-04 के तहत अनुदान “फोमेंटो ए ला इन्वेस्टिगासिओन यूपी 2018” के माध्यम से यूनीवर्सिड पैनारिया द्वारा वित्त पोषित किया गया है।
Inertial measurement wearable sensor | Mbientlab | MTH-MetaTracker | Tri-axial accelerometer, tri-axial gyroscope and light intensity wearable sensor. |
Electroencephalograph brain sensor helmet MindWave | NeuroSky | 80027-007 | Raw brainwave signal with one forehand sensor. |
LifeCam Cinema video camera | Microsoft | H5D-00002 | 2D RGB camera with USB cable interface. |
Infrared sensor | Alean | ABT-60 | Proximity sensor with normally closed relay. |
Bluetooth dongle | Mbientlab | BLE | Dongle for Bluetooth connection between the wearable sensors and a computer. |
Raspberry Pi | Raspberry | Version 3 Model B | Microcontroller for infrared sensor acquisition and computer interface. |
Personal computer | Dell | Intel Xeon E5-2630 v4 @2.20 GHz, RAM 32GB |