THE APPLICATION OF MACHINE LEARNING ON THE SENSORS OF SMARTPHONES TO DETECT FALLS IN REAL-TIME

Achraf Benba; Mouna Akki; Sara Sandabad

doi:10.35784/iapgos.3459

PDF (angielski)

Opublikowane: 2023-06-30

DOI: https://doi.org/10.35784/iapgos.3459

Numer Tom 13 Nr 2 (2023)

NOWY ALGORYTM HYBRYDOWY WYKORZYSTUJĄCY AUTOENKODER KONWOLUCYJNY Z SVM DLA ELEKTRYCZNEJ TOMOGRTAFII IMPEDANCYJNEJ I TOMOGRAFII ULTRADŹWIĘKOWEJ
Łukasz Maciura, Dariusz Wójcik, Tomasz Rymarczyk, Krzysztof Król

4-9
ANALIZA MOCY I PARAMETRÓW ENERGETYCZNYCH PRZENOŚNIKOWEJ, DZIAŁAJĄCEJ NA PODCZERWIEŃ SUSZARNI SUROWCÓW ZAWIERAJĄCYCH OLEJ
Igor Palamarchuk, Vladyslav Palamarchuk, Vadim Paziuk, Ruslan Hulevych, Aliya Kalizhanova, Magzhan Sarsembayev

10-14
OPTYMALIZACJA ALOKACJI ZASOBÓW, CZASU EKSPOZYCJI I PRĘDKOŚCI OBROTOWEJ JAJ INKUBACYJNYCH
Dmytro Milenin, Mykola Lysychenko, Andriy Milenin, Leonid Koval, Saltanat Amirgaliyeva, Maxatbek Satymbekov, Saltanat Adikanova

15-19
OPRACOWANIE APLIKACJI DO TERMICZNEGO PRZETWARZANIA SZLAMÓW OLEJOWYCH W PRZEMYSŁOWYM SEKTORZE NAFTOWYM I GAZU
Gulnar Balakayeva, Gaukhar Kalmenova, Dauren Darkenbayev, Christofer Phillips

20-26
AUTOMATYCZNE OKREŚLANIE INTERAKCJI ELEMENTÓW DYSKRETNYCH W PRZESTRZENI PRACY URZĄDZEŃ
Gregory Tymchyk, Volodymyr Skytsiouk, Tatiana Klotchko, Leonid Polishchuk, Anatolii Hrytsak, Saule Rakhmetullina, Beibut Amirgaliyev

27-35
MODEL STREF TONTOR DO AUTOMATYCZNEGO MONITOROWANIA OBIEKTÓW
Gregory Tymchyk, Volodymyr Skytsiouk, Tatiana Klotchko, Roman Akselrod, Valerii Shenfeld, Aliya Kalizhanova, Didar Yedilkhan, Gaukhar Borankulova

36-43
TEORETYCZNE I EKSPERYMENTALNE UZASADNIENIE PROCESU CIĄGNIENIA Z PRZERZEDZANIEM BIMETALICZNYCH ELEMENTÓW RUROWYCH Z RÓŻNYCH METALI I STOPÓW
Viacheslav Titov, Olexandr Mozghovyi, Ruslan Borys, Mykola Bogomolov, Yedilkhan Amirgaliyev, Zhalau Aitkulov

44-49
ZASTOSOWANIE UCZENIA MASZYNOWEGO NA CZUJNIKACH SMARTFONÓW DO WYKRYWANIA UPADKÓW W CZASIE RZECZYWISTYM
Achraf Benba, Mouna Akki, Sara Sandabad

50-55
KONWOLUCYJNE SIECI NEURONOWE DO WCZESNEJ DIAGNOSTYKI KOMPUTEROWEJ DYSPLAZJI U DZIECI
Yosyp Bilynsky, Aleksandr Nikolskyy, Viktor Revenok, Vasyl Pogorilyi, Saule Smailova, Oksana Voloshina, Saule Kumargazhanova

56-63
PRZEWIDYWANIE RYZYKA KARDIOMETABOLICZNEGO U PACJENTÓW Z NIEALKOHOLOWĄ STŁUSZCZENIOWĄ CHOROBĄ WĄTROBY W POŁĄCZENIU Z SUBKLINICZNĄ NIEDOCZYNNOŚCIĄ TARCZYCY
Olena Kolesnikova, Olena Vysotska, Anna Potapenko, Anastasia Radchenko, Anna Trunova, Natalia Virstyuk, Liudmyla Vasylevska-Skupa, Aliya Kalizhanova, Nazerka Mukanova

64-68
PROCES UCZENIA WZGLĘDEM LOKALNEGO PROGU RÓŻNICY W FILTROWANIU NORMALNEGO SZUMU BIAŁEGO
Leonid Timchenko, Natalia Kokriatskaia, Volodymyr Tverdomed, Natalia Kalashnik, Iryna Shvarts, Vladyslav Plisenko, Dmytro Zhuk, Saule Kumargazhanova

69-73
MODELOWANIE I ANALIZA CHARAKTERYSTYK WIELOKANAŁOWYCH I WIELOWĘZŁOWYCH SIECI KOMPUTEROWYCH Z USŁUGĄ PRIORYTETOWĄ
Zakir Nasib Huseynov, Mahil Isa Mammadov, Togrul Atabay Ismayilov

74-77
STATYSTYCZNE METODY OCENY DANYCH EKSPERYMENTALNYCH DOTYCZĄCYCH WYKORZYSTANIA KOMPETENCJI MATEMATYCZNYCH W BADANIACH NA RZECZ ODPORNEJ GOSPODARKI
Vira Petruk, Olena Prozor, Yuliia Sabadosh, Iryna Baranovska, Maksim Palii, Yevheniia Moroz, Saule Kumargazhanova, Dinara Mussayeva

78-85
SYMULACJA WPŁYWU DZIAŁAŃ INWESTYCYJNYCH I INNOWACYJNYCH NA ZAPEWNIENIE MIĘDZYNARODOWEJ KONKURENCYJNOŚCI KRAJÓW
Olena Liutak, Olena Baula, Anatolii Tkachuk

86-92

Archiwum

2025

Tom 15 Nr 4
2025-12-20 27
Tom 15 Nr 3
2025-09-30 24
Tom 15 Nr 2
2025-06-27 24
Tom 15 Nr 1
2025-03-31 26

2024

Tom 14 Nr 4
2024-12-21 25
Tom 14 Nr 3
2024-09-30 24
Tom 14 Nr 2
2024-06-30 24
Tom 14 Nr 1
2024-03-31 23

2023

Tom 13 Nr 4
2023-12-20 24
Tom 13 Nr 3
2023-09-30 25
Tom 13 Nr 2
2023-06-30 14
Tom 13 Nr 1
2023-03-31 12

2022

Tom 12 Nr 4
2022-12-30 16
Tom 12 Nr 3
2022-09-30 15
Tom 12 Nr 2
2022-06-30 16
Tom 12 Nr 1
2022-03-31 9

2021

Tom 11 Nr 4
2021-12-20 15
Tom 11 Nr 3
2021-09-30 10
Tom 11 Nr 2
2021-06-30 11
Tom 11 Nr 1
2021-03-31 14

Authors

Achraf Benba

achraf.benba@um5s.net.ma

Mohammed V University in Rabat, Ecole Nationale Supérieure d'Arts et Métiers, Electronic Systems Sensors and Nanobiotechnologies

https://orcid.org/0000-0001-7939-0790 ##orcid.unauthenticated##

Mouna Akki

mouna.akki72@gmail.com

Mohammed V University in Rabat, Ecole Nationale Supérieure d'Arts et Métiers, Electronic Systems Sensors and Nanobiotechnologies

http://orcid.org/0009-0001-8532-1158 ##orcid.unauthenticated##

Sara Sandabad

s.sandabad@isem.ac.ma

Hassan II University of Casablanca, Ecole Normale Supérieure de l'Enseignement Technique de Mohammadia, Electrical Engineering and Intelligent Systems

http://orcid.org/0000-0002-0813-6178 ##orcid.unauthenticated##

Abstrakt

Wraz z rosnącą popularnością smartfonów są one wyposażone w wiele czujników, takich jak GPS, mikrofony, kamery, magnetometry, akceleratory i inne, które mogą uprościć nasze codzienne życie. Jeśli chodzi o opiekę zdrowotną, smartfony mogą stać się niezastąpione. Wykrywanie upadków geriatrycznych ma kluczowe znaczenie, ponieważ nawet najmniejszy uraz może mieć śmiertelne konsekwencje. Dlatego zaproponowano wykorzystanie w naszych badaniach akcelerometrów do wykrywania upadków osób starszych. Nasz projekt polegał na opracowaniu zautomatyzowanego, ciągłego i niezawodnego systemu monitoringu, który generowałby listę osób starszych zagrożonych upadkiem i prezentował ją na stronie internetowej służb ratowniczych. Podejście to miało na celu zminimalizowanie długoterminowych skutków i szybkie ratowanie życia. Rozpoczęto od opracowania aplikacji mobilnej i za pomocą MATLABa sklasyfikowano upadki jako „upadek” lub „nie upadek”. Ostatecznie stworzono stronę internetową, która ułatwiłaby komunikację między aplikacją mobilną a MATLABem.

Słowa kluczowe:

detekcja upadku, akcelerometry smartfonów, SVM, KNN, uczenie maszynowe

Bibliografia

Bouilly M., Thélot B.: Les accidents de la vie courante aux urgences en France métropolitaine en 2010 selon l’enquête EPAC. Revue d'Épidémiologie et de Santé Publique 60, 2012, S145.

Cherkassky V., Ma Y.: Practical selection of SVM parameters and noise estimation for SVM regression. Neural networks 17(1), 2004, 113–126 [http://doi.org/10.1016/S0893-6080(03)00169-2].

El Attaoui A. et al.: Machine learning‐based edge‐computing on a multi‐level architecture of WSN and IoT for real‐time fall detection. IET Wireless Sensor Systems 10(6), 2020, 320–332 [http://doi.org/10.1049/iet-wss.2020.0091].

Enterprise J.: HTML, PHP, dan MySQL untuk Pemula. Elex Media Komputindo 2018.

Er P. V., Tan K. K.: Non-intrusive fall detection monitoring for the elderly based on fuzzy logic. Measurement 124, 2018, 91–102 [http://doi.org/10.1016/j.measurement.2018.04.009].

Fukunaga K.: Introduction to statistical pattern recognition. Elsevier 2013.

Guo G. et al.: KNN model-based approach in classification. Lecture Notes in Computer Science 2888, 2003 [http://doi.org/10.1007/978-3-540-39964-3_62].

James K.: Falls and Fall Prevention in the Elderly. West Indian Med J. 56(6), 2007, 534.

Le H. L. et al.: A novel feature set extraction based on accelerometer sensor data for improving the fall detection system. Electronics 11(7), 2022, 1030 [http://doi.org/10.3390/electronics11071030].

Li D., Wu M.: Pattern recognition receptors in health and diseases. Signal transduction and targeted therapy 6(1), 2021, 291 [http://doi.org/10.1038/s41392-021-00687-0].

Noury N. et al.: Fall detection-principles and methods. 29th annual international conference of the IEEE engineering in medicine and biology society, 2007, 1663–1666 [http://doi.org/10.1109/IEMBS.2007.4352627].

Pannurat N. et al.: Automatic fall monitoring: A review. Sensors 14(7), 2014, 12900–12936 [http://doi.org/10.3390/s140712900].

Patton E. W.: MIT app inventor: Objectives, design, and development. Computational thinking education, 2019, 31–49 [http://doi.org/10.1007/978-981-13-6528-7].

Rashid F. A.: Simulation of SisFall Dataset for Fall Detection Using MATLAB Classifier Algorithms. 12th International Symposium on Parallel Architectures, Algorithms and Programming – PAAP, 2021, 62–68, [http://doi.org/10.1109/PAAP54281.2021.9720481].

Sucerquia A. et al.: SisFall: A fall and movement dataset. Sensors 17(1), 2017, 198 [http://doi.org/10.3390/s17010198].

World Health Organization: Ageing, Life Course Unit. WHO global report on falls prevention in older age. World Health Organization; 2008.

Zhang S. et al.: Learning k for kNN classification. ACM Transactions on Intelligent Systems and Technology 8(3), 2017, 1–9 [http://doi.org/10.1145/2990508].

ZASTOSOWANIE UCZENIA MASZYNOWEGO NA CZUJNIKACH SMARTFONÓW DO WYKRYWANIA UPADKÓW W CZASIE RZECZYWISTYM. (2023). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 13(2), 50-55. https://doi.org/10.35784/iapgos.3459

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 13 Nr 2 (2023)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja