ระบบการตรวจจับก่อนการหกล้มกระแทกแบบอ้างอิงด้วยฟัซซี่เป็นฐานโดยเกณฑ์แบบไดนามิก
Article Sidebar
Main Article Content
บทคัดย่อ
ด้วยการหกล้มเป็นปัญหาสำคัญทางด้านความปลอดภัยในผู้สูงอายุ เพื่อลดผลสืบเนื่องจึงจำเป็นต้องหาวิธีการป้องกันการหกล้มแบบใหม่ๆ การวิจัยนี้จึงมุ่งเน้นพัฒนารูปแบบการกำหนดเกณฑ์แบบไดนามิกเพื่อตรวจจับก่อนการหกล้มแบบเวลาจริง โดยบูรณาการคุณสมบัติด้านความเร็วการเคลื่อนที่ของศรีษะและหน้าอก ร่วมกับจุดศูนย์ถ่วงของร่างกาย ด้วยกฎฟัซซี่ลอจิก 14 ข้อแบบ Sugeno เพื่อการกำหนดท่าทางหกล้ม การเปลี่ยนแปลงท่าทาง และการเคลื่อนที่ รวมทั้งการเปรียบเทียบการใช้อุปกรณ์แบบผสมผสานแบบต่างๆ เพื่อการตัดสินใจขั้นสุดท้ายว่าเกิดการหกล้ม ด้วยวิธีนี้ทำให้สามารถตรวจจับก่อนการหกล้ม โดยอาสาสมัครใส่เซ็นเซอร์ที่มีขนาดเล็กเท่าเหรียญ ทำงานร่วมกับ คินเน็กท์ทำหน้าที่ตรวจจับด้วยภาพ โดยไม่บันทึกข้อมูลเพื่อความเป็นส่วนตัว การประยุกต์เกณฑ์แบบไดนามิกที่มีแบบแผนเหมาะกับปัจเจกบุคคล ทำให้ระยะเวลาการแยกแยะตรวจจับการล้มและไม่ล้มแบบเวลาจริงมากที่สุด และได้เปรียบเทียบผลบูรณาการอุปกรณ์หลากหลาย ทั้งคินเน็กท์ตัวเดียว สองและสามตัว ร่วมกับการใช้และไม่ใช้อุปกรณ์สวมใส่ ผลทดลองพบว่าระยะเวลาที่สามารถตรวจจับก่อนการหกล้มได้ คือ 549.83
มิลลิวินาที ด้วยบูรณาการแบบคินเน็กท์สองตัวร่วมกับอุปกรณ์สวมใส่สามารถลดปัญหาการทับซ้อนคลาดเคลื่อนของมุมกล้อง ด้วยความเม่นยำการตรวจจับ ร้อยละ 98.09 กลับกันการตรวจจับด้วยคินเน็กท์เพียงสองตัว ตรวจจับได้ด้วยอัตราความแม่นยำต่ำกว่าเพียง ร้อยละ 93.00
Downloads
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
Bagala, F., Becker, C., Cappello, A., Chiari, L., Aminian, K., Hausdorff, J. M., Zijlstra, W., & Klenk, J. (2012). Evaluation of Accelerometer-based Fall Detection Algorithms on Real-world Falls. PloS One, 7(5), e37062.
Rougier, C., Meunier, J., St-Arnaud, A., & Rousseau, J. (2011). Robust Video Surveillance for Fall Detection Based on Human Shape Deformation. IEEE Transactions on Circuits and Systems for Video Technology, 21(5), 611-622.
Liu, J., & Lockhart, T. E. (2009). Age-related Joint Moment Characteristics during Normal Gait and Successful Reactiverecovery from Unexpected Slip Perturbations. Gait & Posture, 30(3), 276-281.
Abbate, S., Avvenuti, M., Bonatesta, F., Cola, G., Corsini, P., & Vecchio, A. (2012). A Smartphone-based Fall Detection System. Pervasive and Mobile Computing, 8(6), 883-899.
Otanasap, N. & Boonbrahm, P. (2015). Multiple Kinect for 3D Human Skeleton Posture using Axis Replacement Method. In The 14th IEEE International Symposium on Mixed and Augmented Reality (ISMAR 2015). September 29 October 3, 2015, Fukuota: Japan.
Otanasap, N., & Boonbrahm, P. (2017). Pre-impact Fall Detection System using Dynamic Threshold and 3D Bounding Box. In The 8th International Conference on Graphic and Image Processing (ICGIP 2016) 10225, 102250D. October 29 -31, 2016, Tokyo: Japan.
Otanasap, N., & Boonbrahm, P. (2017). Pre-impact Fall Detection Approach using Dynamic Threshold Based and Center of Gravity in Multiple Kinect Viewpoints. In The 2017 14th International Joint Conference on Computer Science and Software Engineering (JCSSE). 1-6. July 12-14, 2017, Nakhon Si Thammarat: IEEE.
Rougier, C., Meunier, J., St-Arnaud, A., & Rousseau, J. (2006). Monocular 3D Head Tracking to Detect Falls of Elderly People. In The 2006 International Conference of the IEEE Engineering in Medicine and Biology Society. 6384-6387. August 30 – September 3, 2006, New York : IEEE.
Stone, E. E., & Skubic, M. (2015). Fall Detection in Homes of Older Adults using the Microsoft Kinect. IEEE Journal of Biomedical and Health Informatics, 19(1), 290-301.
InvenSense (2014). Introduces the World’s First Motion Apps Platform™ for Embedded System Developers (Online). Retrieved 5 March 2018, from https://ir.invensense.com/phoenix.zhtml? c=237953 &p=irol-newsArticle&ID=1587324.
Mastorakis, G., & Makris, D. (2014). Fall Detection System using Kinect’s Infrared Sensor. Journal of Real-Time Image Processing, 9(4), 635-646.
Wu, G. (2000). Distinguishing Fall Activities from Normal Activities by Velocity Characteristics. Journal of Biomechanics, 33(11), 1497-1500.
Kim, E., Helal, S., & Cook, D. (2010). Human Activity Recognition and Pattern Discovery. IEEE Pervasive Computing/IEEE Computer Society [and] IEEE Communications Society, 9(1), 48.
Luinge, H. J., & Veltink, P. H. (2005). Measuring Orientation of Human Body Segments using Miniature Gyroscopes and Accelerometers. Medical and Biological Engineering and Computing, 43(2), 273-282.
Bourke, A. K., O’Donovan, K. J., Nelson, J., & OLaighin, G. M. (2008). Fall-detection through Vertical Velocity Thresholding using a Tri-axial Accelerometer Characterized using an Optical Motion-capture System. In The 2008 30th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. 2832-2835. August 20-25, 2008, Vancouver, BC, Canada: IEEE.
Kwolek, B., & Kepski, M. (2016). Fuzzy Inference-based Fall Detection using Kinect and Body-worn Accelerometer. Applied Soft Computing, 40, 305-318.
Zadeh, L. A. (1976). A Fuzzy-algorithmic Approach to the Definition of Complex or Imprecise Concepts. In Systems Theory in the Social Sciences. 202-282. Basel, Switzerland: Birkhäuser, Basel.
Sugeno, M. (1985). Industrial Applications of Fuzzy Control. Amsterdam : Elsevier Science Ltd.
Otanasap, N. & Boonbrahm, P. (2015, July). Real Time Action Detection from 3D Skeleton Data Using Multiple Kinects. In Proceeding of the 7th Walailak Research National Conference. 188. July 2, 2018. Nakhon Si Thammarat : Walailuk University.
Shotton, J., Fitzgibbon, A., Cook, M., Sharp, T., Finocchio, M., Moore, R., & Blake, A. (2011). Real-time Human Pose Recognition in Parts from Single Depth Images. In The Proceedings of the 2011 IEEE Conference on Computer Vision and Pattern Recognition. 1297-1304. June 20 – 25, 2011, Washington, DC, USA : IEEE.
Patel, S., Park, H., Bonato, P., Chan, L., & Rodgers, M. (2012). A Review of Wearable Sensors and Systems with Application in Rehabilitation. Journal of Neuroengineering and Rehabilitation, 9(1), 21.
Sabatini, A. M., Ligorio, G., Mannini, A., Genovese, V., & Pinna, L. (2016). Prior-to-and Post-impact Fall Detection using Inertial and Barometric Altimeter Measurements. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 24(7), 774-783.
Djurić-Jovičić, M. D., Jovičić, N. S., & Popović, D. B. (2011). Kinematics of Gait: New Method for Angle Estimation Based on Accelerometers. Sensors, 11(11), 10571-10585.
Noury, N., Rumeau, P., Bourke, A. K., ÓLaighin, G., & Lundy, J. E. (2008). A Proposal for the Classification and Evaluation of Fall Detectors. Irbm, 29(6), 340-349.
Maki, B. E., & McIlroy, W. E. (2003). Effects of Aging on Control of Stability. A Textbook of Audiological Medicine: Clinical Aspects of Hearing and Balance, London: Martin Dunitz Publishers.
Otanasap, N. & Boonbrahm, P. (2014). Falling Pattern Analysis Based on 3D Euclidean Distance of Human Skeleton Joints. In Proceedings of The International Conference of Information and Communication Technology for Embedded Systems (IC-ICTES 2014). (N/A). January 23-25, 2014, Ayutthaya : Thammasat and Kasetsart University.
Hirata, Y., Komatsuda, S., & Kosuge, K. (2008). Fall Prevention Control of Passive Intelligent Walker Based on Human Model. In The 2008 IEEE/RSJ International Conference on Intelligent Robots and Systems. 1222-1228. September 22-26, 2008, Acropolis Convention Center. Nice, France: IEEE.
