Charakterystyka danych akcelerometrycznych na potrzeby detekcji upadku

Autorzy prac (Bourke et al., 2007; Noury et al., 2008; Kangas et al., 2008; Li et al., 2009) zwracają uwagę na wysoką skuteczność metod detekcji upadku w oparciu o dane akcelerometryczne. Większość badań, dotyczących wykorzystania inercyjnych czujników ruchu w detekcji upadku, przeprowadzono w oparciu o zbiór symulowanych akcji wykonywanych na niewielkich grupach osób, z czego jedynie czynności dnia codziennego wykonywane były przez osoby starsze. Biorąc pod uwagę statystyki (Bagalà et al., 2012), zgromadzenie odpowiedniej liczby upadków osób starszych nie jest łatwym zadaniem. Przy założeniu, że 30% osób powyżej 65. roku życia upada raz w roku, do zarejestrowania stu zdarzeń upadku wymagana jest akwizycja w przybliżeniu 100 000 dni aktywności monitorowanej osoby. Z tego powodu większość prac, wykorzystuje dane symulowane przez zdrowe, młode osoby, niejednokrotnie profesjonalnie lub zawodowo uprawiające sport (Chen et al., 2005). Co więcej, ze względu na liczbę fałszywych alarmów, algorytmy często badane są na podstawie przygotowanego scenariusza wykonywanych akcji, a nie w środowisku docelowego użytkownika podczas jego normalnego funkcjonowania. Skuteczność metody zaproponowanej w (Bourke et al., 2007) została przebadana na symulowanych upadkach oraz ADLs wykonywanych przez 10 starszych osób. Osoby starsze wykonywały akcje należące do dwóch typów: siadanie (na fotelu, krześle, łóżku, itp.) oraz chodzenie. Każda osoba powtarzała ściśle określony scenariusz trzykrotnie.

W literaturze (Noury et al., 2008) zaproponowano podział aktywności człowieka związanej z typowym upadkiem, na następujące fazy:

1. normalna czynność dnia codziennego, taka jak chodzenie, wstawanie z krzesła czy łóżka, itp.,

2. faza krytyczna, w której człowiek znajduje się w niekontrolowanym ruchu przypominającym spadek swobodny, po którym następuje uderzenie (ang. impact), 3. faza po upadku, zazwyczaj związana z leżeniem na podłodze,

64

4. faza próby powrotu do normalnej postawy, która może zakończyć się niepowodzeniem lub w ostateczności może do niej nie dojść, np. w wyniku urazu lub utraty przytomności.

Większość algorytmów wykorzystujących predefiniowany próg definiuje akcję jako upadek, jeśli wartość wektora przyspieszenia określonego wzorem:

^(3.1)

jest większa od przyjętej wartości progu (ang. lower fall threshold). Podejście to opiera się na założeniu, że wartość wektora przyspieszenia w momencie uderzenia znacznie przekracza wartości typowe dla normalnych, codziennie wykonywanych akcji. Część metod definiuje inny próg, określony jako (ang. lower fall threshold). Wykorzystuje on fakt, że podczas upadku, tuż przed uderzeniem, przyspieszenie ciała typowo rośnie, a więc wartość mierzona przez akcelerometr maleje (w stanie spoczynku wartość zmierzona przez akcelerometr wynosi 1 [g], a w trakcie spadku swobodnego 0 [g], zob. rozdział 2.1.2). Zatem metody te klasyfikują akcję jako upadek, gdy wartość Ilustracji tych metod dostarcza rysunek 3.1.

Rysunek 3.1. Dane akcelerometryczne zarejestrowane podczas upadku. Po lewej: modelowy zbiór wartości powstały w wyniku filtracji danych zarejestrowanych. Po prawej: rzeczywiste dane, pochodzące z bazy UR Fall

Detection Dataset. LFT = 0.6 [g], UFT = 2.75 [g] wg. pracy (Bourke et al., 2007)

Przedstawione na rysunku dane modelowe powstały w wyniku filtracji danych zarejestrowanych podczas upadku, celem zobrazowania elementów wspólnych dla większości upadków. Charakterystyczna faza poprzedzająca uderzenie występuje, gdy osoba wykonuje bezwładny ruch w kierunku podłoża. Metody wykorzystujące próg działają w oparciu o analizę wartości przyspieszeń zarejestrowanych w tej fazie upadku. W wyniku badań na potrzeby niniejszej pracy zauważono, że niektóre upadki (np. z krzesła lub takie, podczas których osoba próbuje się w jakiś sposób asekurować) nie charakteryzują się wyraźnym spadkiem przyspieszenia podczas fazy poprzedzającej uderzenie o podłoże, tak jak upadki z pozycji stojącej. Powoduje to spadek skuteczności metody detekcji opartej na progu . Przykładem może być przedstawiony na rysunku 3.1. przebieg akcelerometryczny, będący częścią bazy UR Fall Detection Dataset.

65

W ramach niniejszej pracy dokonano kilkugodzinnej akwizycji danych akcelerometrycznych dla pięciu starszych osób (kobiety i mężczyźni w wieku powyżej 65 lat, z czego jedna osoba w wieku powyżej 80 lat). Celem badań było określenie skuteczności prostych metod opartych o predefiniowany próg oraz poznanie typowych wartości przyspieszenia i prędkości kątowej dla czynności dnia codziennego. Rysunek 3.2. prezentuje przykładowe dane dla trzech czynności: schodzenia po schodach, podnoszenia przedmiotów oraz siadania. Celem porównania danych akcelerometrycznych, przedstawiono także upadek symulowany przez młodą osobę w wieku 25 lat. Jak można zauważyć, wartości przyspieszenia powyżej definiowanego w literaturze progu występują nie tylko dla upadku, ale też dla czynności takich jak siadanie, chodzenie po schodach, podnoszenie przedmiotów i podobnych. Co więcej, niektóre czynności wykonywane energicznie (np. siadanie) charakteryzują się podobnym przebiegiem wartości przyspieszenia jak upadek, w szczególności dla obu tych akcji występuje faza przed uderzeniem ciała o pewną bryłę sztywną. Wartości te zależą od wielu czynników, często niezależnych od użytkownika, jak wysokość krzesła czy fotela, twardość podłoża itp.

Rysunek 3.2. Przykładowe dane przyspieszenia i prędkości kątowej dla czynności życia codziennego i upadku.

Analizując zgromadzone w dłuższym horyzoncie czasowym dane, można zauważyć, że duża liczba wartości przekracza progi i . Maksymalna liczba fałszywych alarmów uzyskana dla godzinnego okna czasowego wynosi odpowiednio 15 oraz 12. Przykładowe dane dla ponad godzinnego eksperymentu przedstawiono na rysunku 3.3. Rezultaty przeprowadzonych badań potwierdzają przedstawioną w pracy (Bagalà et al., 2012) tezę o niskiej specyficzności metod detekcji upadku działających w oparciu o próg wartości wektora przyspieszenia, określanego na podstawie zależności (3.1).

Część prac badawczych wykorzystuje założenie, że upadek kończy się w większości przypadków w pozycji leżącej (lub rzadziej siedzącej) i dokonuje detekcji w oparciu o orientację ciała człowieka (ang. posture). Niektórzy autorzy (Karantonis et al., 2006) dokonują wydzielenia statycznego komponentu grawitacyjnego z danych przyspieszenia lub wykorzystują żyroskop do określenia orientacji (Hwang et al., 2004).

66

Rysunek 3.3. Dane akcelerometryczne zarejestrowane podczas monitoringu osoby w wieku powyżej 80 lat. Maksymalna wartość wynosiła 4,96 [g], minimalna 0.17 [g].

Zmiana pozy człowieka związana z upadkiem jest definiowana jako zmiana orientacji ciała przed i po uderzeniu (Boissy et al., 2007) lub jako orientacja ciała przyjmowana kilka sekund po uderzeniu (Karantonis et al., 2006; Tamura, 2005). Podejście to pozwala na likwidację części fałszywych alarmów, ale zdarza się, że zawodzi przy akcjach mających podobną charakterystykę przyspieszenia jak upadki (np. energiczne siadanie). Często stosuje się metody polegające na połączeniu predefiniowanego progu, orientacji i innych cech, takich jak prędkość. Przykładem takiego podejścia może być algorytm VELOCITY + IMPACT + POSTURE przedstawiony w pracy (Bourke et al., 2010). Metoda ta osiąga najlepszą czułość i specyficzność detekcji upadku spośród algorytmów przebadanych w pracy (Bagalà et al., 2012), odpowiednio 83 i 97 procent. Wadą takiego podejścia jest, jak zauważyli autorzy, pominięcie znacznej liczby upadków kończących się na miękkich amortyzujących powierzchniach czy upadków z krzesła. Warto podkreślić, że tak naprawdę opisywana w pracach orientacja nie odnosi się stricte do ciała osoby, a jedynie położenia sensora inercyjnego. Ten zaś może w niekontrolowanym środowisku poza laboratorium ulec przesunięciu, w wyniku niepoprawnego czy też niedokładnego przymocowania do ciała lub ubioru. Dlatego też w niniejszej pracy jako jedno z założeń przyjęto wykorzystanie inercyjnych sensorów wraz z kamerą Kinect.

Na podstawie własnych badań oraz przeglądu literatury dokonano oceny zalet i wad technologii detekcji upadku w oparciu o czujniki inercyjne. Do zalet niewątpliwie można zaliczyć:

 łatwiejszą niż w przypadku systemów wizyjnych akwizycję danych, ze względu na rozmiar danych i urządzenia,

 możliwość segmentacji w czasie akcji wykonywanych przez człowieka (dokładnie wiemy kiedy wystąpiło uderzenie osoby o podłoże podczas upadku, co nie jest tak oczywiste w przypadku systemów wizyjnych),

67

 możliwość wykrywania okresów nieaktywności użytkownika, co szczególnie wpływa na wykorzystanie mocy obliczeniowej w systemach wbudowanych działających w systemie 24/7/365.

Metody oparte o sensory inercyjne nie są pozbawione wad, do których można zaliczyć:

 niesatysfakcjonującą czułość i specyficzność metod detekcji upadku,

 brak możliwości monitorowania użytkownika w niektórych okresach jego aktywności (np. gdy się przebiera, lub kładzie spać).