persamaan regresi ganda

Sistem pendeteksian jatuh untuk lansia yang menggunakan IOT dan ansambel algoritma pembelajaran mesin

Abstrak

Falls mewakili risiko kesehatan masyarakat utama di seluruh dunia untuk orang tua. Jatuh yang tidak dibantu dalam waktu dapat menyebabkan fungsional gangguan pada orang tua dan penurunan yang signifikan dalam mobilitas, kemandirian, dan kualitas hidupnya. Dalam hal ini, kami mengusulkan IoTE-Fall system, sistem cerdas untuk mendeteksi jatuh orang tua di lingkungan dalam ruangan yang memanfaatkan Internet Hal dan algoritma pembelajaran mesin ensemble. Sistem IoTE-Fall menggunakan akselerometer sumbu 3D yang disematkan ke dalam a 6LowPAN perangkat yang dapat dipakai yang mampu menangkap secara real time data pergerakan relawan lansia. Untuk memberikan yang tinggi efisiensi dalam deteksi jatuh, dalam makalah ini, empat algoritma pembelajaran mesin (pengklasifikasi): pohon keputusan, ansambel, logistic regresi, dan Deepnets dievaluasi dalam hal AUC ROC, waktu pelatihan dan waktu pengujian. Bacaan akselerasi adalah diproses dan dianalisis di tepi jaringan menggunakan model prediktor berbasis ensemble yang diidentifikasi sebagai yang paling cocok prediktor untuk deteksi jatuh. Hasil percobaan dari pengumpulan data, layanan interoperabilitas, pemrosesan data, analisis data, layanan darurat waspada, dan layanan cloud menunjukkan bahwa sistem kami mencapai akurasi, presisi, sensitivitas, dan spesifisitas di atas 94%.

1. Pendahuluan dan pekerjaan terkait saat musim gugur deteksi

                Usia harapan hidup telah meningkat 5 tahun sejak tahun 2000karena kemajuan di bidang medis. Menurut DuniaOrganisasi Kesehatan (WHO), pada tahun 2050, populasi saat iniorang tua (8,5%) akan meningkat, mewakili 20% daripopulasi dunia Atas dasar tren ini, banyaknegara mengadopsi kebijakan penuaan yang sehat dengan tujuanmembantu orang lanjut usia menjalani kehidupan yang aktif dan mandiri.Secara khusus, memastikan penuaan aktif dan sehat (AHA) dariorang tua adalah salah satu tantangan terbesar, tetapi juga apeluang besar bagi masyarakat dalam beberapa dekade mendatang. Tidak-AHA telah akhir-akhir ini ditandai sebagai konsep yang luas.

yang berupaya meningkatkan kualitas hidup (kualitas hidup) lansiaorang seiring bertambahnya usia, mengoptimalkan peluang untuk kesehatan,tisipasi, dan keamanan Dalam hal itu, masalah kesehatanorang tua menjadi semakin mendesak  danjatuh adalah kecelakaan paling umum terjadi yang parahnyamungkin sering membutuhkan perhatian medis. Menurut WHO,sekitar 30% dari orang di atas 65 menderita secara tidak sengajasatu atau lebih jatuh per tahun, dan untuk orang-orang di atas 80 tahun,tarif ini meningkat hingga mencapai 50%. Angka ini lebih mengkhawatirkanjika orang menganggap bahwa jatuh sering terjadi di lingkungan dalam ruangandan terkait dengan kegiatan normal sehari-hari (ADL).

1.1   Area masalah dan metode

Konsekuensi serius dari menderita jatuh adalah kebohongan Blong, ^yang terdiri dari sisa di tanah untuk waktu yang lamawaktu sampai bantuan tiba Kebohongan panjang bisa mengarah ke seriuskomplikasi kesehatan, termasuk dehidrasi, pneumonia, danhipotermia, yang dalam banyak kasus dapat menyebabkan kematian di dalam6 bulan setelah jatuh. Oleh karena itu, jatuh tidak membantu dalam waktuorang tua dapat berdampak negatif pada kualitas hidup dan kebebasan mereka.dence. Dalam konteks ini, pengembangan IoT real-tim sistem yang berkontribusi untuk mendeteksi jatuh dan waspada secara efisienlayanan darurat pada waktu sesingkat mungkin adalah sosialperlu. Perlu kita bertujuan untuk menutup dengan pekerjaan saat ini.

Untuk mengatasi masalah ini kami telah mengikuti penelitianmetodologi yang difokuskan dalam penelitian desain tindakan  berdasarkan,untuk satu sisi, pada pengembangan artefak dengan eksplisitniat untuk meningkatkan kinerja fungsionalfakta atau memecahkan masalah langsung, dan untuk sisi lain,tentang perkembangan pemecahan masalah yang dipimpin oleh individubekerja untuk meningkatkan cara mereka mengatasi masalah dan menyelesaikannyamasalah.

Dengan demikian, metodologi penelitian telah terdiri darifase berurutan: (i) pertama, pembedahan dan definisibermasalah dari sudut pandang praktis dan pengumpulanpersyaratan untuk menyelesaikannya; (ii) kedua, penelitian terhadap literaturmasa depan dan proyek hingga tanggal yang telah berusaha untuk dipecahkanini bermasalah, jatuh deteksi pada orang tua, menciptakan akeadaan seni (SotA) yang akan digunakan sebagai latar belakang; (iii) ketiga,bersama-sama dengan studi latar belakang dan persyaratan,arsitektur cetak telah ditentukan untuk menyelesaikan masalahlem secara optimal; (iv) juga, memiliki cetak biru ini, thefase keempat meliputi studi tentang teknologi dan protokolyang lebih baik mengimplementasikan arsitektur, dan untuk alasan itu,fase ini meliputi penelitian tentang pembelajaran mesinrithms dan pengujiannya untuk memilih algoritma yang memenuhi lebih baikpersyaratan proposal; (v) fase selanjutnya adalahpembuatan prototipe nyata mengikuti arsitektur yang ditentukandan diimplementasikan dengan teknologi yang dipilih; (vi) akhirnya,indikator pengujian dan kinerja yang diperoleh dariYa, setelah hasil kinerja dikumpulkan, kami melanjutkandengan evaluasi dan perbandingannya dengan hasil yang disajikandalam proyek lain. Dari yang dijelaskan di bagian SotA,kami mempertimbangkan yang menyajikan kinerja kuantitatifhasil.Karena ini juga merupakan metode progresif, iterasi masa depan akan berakhirpekerjaan akan dilakukan untuk meningkatkan sistem dantermasuk karakteristik yang lebih praktis untuk solusi saat ini.

1.2   Latar belakang dan analisis mutakhir

Saat ini, beberapa solusi telah diajukan untuk lansiadeteksi jatuh. Solusi semacam itu dikategorikan  menjadi tigajenis utama sesuai dengan teknologi sensor yang digunakan: non-sistem berbasis wearable (NWS), sistem berbasis wearable(WS), dan sistem berbasis fusi atau hibrida (FS).Secara khusus, banyak sistem NWS yang menggunakan visi berbasisperangkat seperti telah terbukti kuat dankuat untuk mendeteksi jatuh. Namun, kelemahan utama darisistem ini adalah biayanya yang tinggi, di kedua investasi peralatanment dan sumber daya komputasi untuk pemrosesan gambar, danakibatnya kurangnya privasi untuk orang tua sejak inisistem mengharuskan kamera untuk didistribusikan secara strategis dilingkungan dalam ruangan di mana mereka tinggal Untuk mengatasi keterbatasan ini, beragam sistem WS memilikitelah diusulkan dalam literatur, yang biasanya menggunakan inersiasensor seperti akselerometer dan giroskop, biasanyamenempel pada tubuh lansia untuk pengenalan gerakaan.

2. Sistem pendeteksian jatuh menggunakan IoT dan algoritma pembelajaran mesin ensemble

Diagram blok digambarkan pada Gambar. 1 mendefinisikan deteksi jatuhtahapan sistem yang diidentifikasi dalam penelitian ini: ekstraksi fitur,pelatihan dan pengujian, dan validasi. Jendela geserdan teknik SMA digunakan untuk mengekstraksi fitur yangjuru tulis sinyal mentah dari gerakan orang lanjut usia dari adataset yang dapat diakses publik. Fitur-fitur ini disimpan dalam yang barudataset, Motion-DT, yang digunakan dalam k-fold cross skema validasi untuk melatih dan menguji empat pembelajaran mesinuntuk menemukan model terbaik untuk deteksi jatuh. Itumodel yang dipilih kemudian divalidasi dengan ukuran percepatanpengukuran dikumpulkan dari sensor accelerometer MEM dengantujuan untuk mendapatkan kinerja nyata dari musim gugursistem perlindungan.

2.1 Fitur ekstraksi

Pendekatan yang cocok untuk pelatihan dan pengujian sistem deteksi jatuhMereka menggunakan pengetahuan sejarah yang datang dari publikdataset yang terdiri dari berbagai peristiwa masa lalu (nyata atau simujatuh jatuh, ADL, atau keduanya) dilakukan oleh satu set pesertamemakai berbagai sensor yang terletak di berbagai bagian tubuh.Pengetahuan sejarah sangat penting untuk memahami perilaku apadiharapkan. Misalnya, menggunakan pengetahuan tentang perilakupola gerak tak terduga yang terjadi saat dewasamusim gugur akan memungkinkan peringatan dan memprediksi situasi risiko saat serupapola perilaku terjadi. Namun, pengetahuan sejarahsebelumnya harus diproses untuk mengekstrak fitur yangmembenci sinyal mentah sebanyak mungkin.

2.1.1 Pengetahuan sejarah dari SisFall

Di bagian ini, kami fokus mengidentifikasi periode penggunaaktivitas pada dataset yang dapat diakses publik, SisFall dariSucerquia et al. untuk mengekstraksi yang paling representatiffitur untuk membuat prediksi. Dataset SisFall berisicatatan dari 38 peserta, 15 di antaranya adalah lansiaberusia antara 60 dan 75 tahun. Semua peserta lansiakegiatan simulasi ADL dan hanya satu dari peserta inicelana, yang ahli dalam Judo, disimulasikan baik, jatuh danADL. Sinyal ditangkap dalam percobaan laboratoriummenggunakan tiga sensor inersia (2 akselerometer: ADXL345 danITG3200, dan 1 giroskop: MMA8451Q) terintegrasi ke dalam aperangkat tertanam yang dikembangkan sendiri. Akselerasi dan gyro-sinyal ruang lingkup diperoleh dengan laju sampling sekitar200 Hz. Peserta lansia melakukan 19 jenis ADLdan 15 jenis musim gugur. Penjelasan lebih rinci tentanang Protokol SisFall dapat ditemukan di  Beberapa penelitian didirikanbahwa ada variasi yang berpotensi secara klinis penting dalamtipe jatuh yang bisa diderita lansia. Dalam studi ini,kami fokus pada jenis jatuh yang paling umum yang dapat menyebabkanrisiko kesehatan yang serius bagi para lansia. Menurut sebuah penelitianoleh Youn et al.  jatuh lebih parah pada orang tuaterjadi ke arah depan ketika orang-orang berjalan. DiSebaliknya, jatuh ke belakang adalah yang paling berulangjatuh dan dapat menyebabkan kerusakan serius pada kesehatan manusia,seperti fraktur pada fraktur pergelangan tangan dan vertebra. Ditambahan, jatuh lateral juga berbahaya karena orang tuaorang dapat menderita patah tulang pinggul Oleh karena itu,cluded dalam penelitian ini adalah jatuh ke depan (FF), mundur ke belakang(BF), dan lateral fall (LF). Selain itu, tiga ADL jugatermasuk dalam penelitian ini, yaitu berjalan (WA), tanggamemanjat (SCA), dan duduk (SA), untuk membedakan jatuhdari kegiatan seperti jatuh ini.

2.1.2 Jendela geser bersama dengan SMA

Teknik sliding-windows bersama dengan SMA diterapkanpada uji coba SisFall untuk mendapatkan fitur yang mewakili perubahanakselerasi (puncak) yang dihasilkan oleh air terjun dan ADL. SMAtelah dilaporkan oleh penulis sebelumnya sebagai yang cocokpengukuran untuk membedakan antara periode tugas dan istirahatperiode menggunakan data accelerometer.Pertama, jendela geser diterapkan sebagai teknologi splitter.uniknya aliran data SisFall untuk menemukan segmendi mana sinyal akselerasi di ketiga sumbu menderitavariasi tertinggi. Karena fakta bahwa aktivitas manusiadan jatuh terjadi dalam periode waktu yang relatif singkat, 5 detikjendela panjang yang tepat untuk kejatuhan manusia dan deteksi ADL.Jendela dengan panjang tetap ini digunakan untuk menggeser keseluruhanurutan koheren dengan yang berhubungan dengan deteksi jatuhpencarian. Misalnya, penulis dalam mempekerjakanjendela geser masing-masing 0,4 s, 0,6 s, dan 0,5 s. Faktanya,menurut sebuah penelitian oleh Lombardi [42], jendela panjangsekitar 0,5 detik tampaknya merupakan kompromi terbaik di antaraness, kompleksitas, dan konsumsi daya rendah untuk memeriksanilai akselerasi dalam acara jatuh.

2.2 Pemilihan algoritma pembelajaran mesin (pengklasifikasi)

Menggunakan Motion-DT, kami menerapkan validasi silang k-folduntuk memilih pembelajaran yang diawasi yang paling cocokalgoritma klasifikasi. Dalam penelitian ini, total empatalgoritma klasifikasi ferent dipilih dan dibandingkan di-termasuk pohon keputusan, ansambel, regresi logistik, danDeepnet. Algoritma klasifikasi ini secara singkat diperkenalkandi bagian berikut.

2.2.1 Algoritma pembelajaran mesin

Regresi logistik Ini adalah salah satu algoritma pembelajaran mesinritme yang semakin banyak digunakan dalam biomedis. Juga,telah digunakan untuk mengembangkan model prediksi musim gugur seperti pada[43 - 45 ]. Algoritma ini menghitung, untuk setiap kelas target, aprobabilitas dimodelkan sebagai nilai fungsi logistik, yangrameter adalah kombinasi linear dari inputnya. Khususnya,bidang input ( X 1, X 2, ..... Xk ) digabungkan secara linier menggunakankoefisien regresi logistik ( b 0, i , b 1, i , b 2, i , .... b k , i )untuk memprediksi bidang output ( y ), yang merupakan probabilitas (Persamaan. 2)untuk masing-masing kelas i dari bidang objektif.

2.3 Sistem jatuh IoTE

2.3.1 Ikhtisar system

Usulan IoTE-Fall, ditunjukkan pada Gambar. 4, terdiri dari empatkomponen utama: perangkat yang dapat dipakai, komunikasi nirkabeljaringan tion, gateway IoT, dan layanan Cloud. Setiap com-ponent memainkan peran penting dalam deteksi jatuh. Dpt dipakaiperangkat, terjalin dengan sensor MEMs gerak, mengukurakselerasi (dinyatakan dalam bit) dari gerakan tubuh lansiaorang dan mengirimkannya ke gateway IoT menggunakandaya jaringan area nirkabel. Gerbang IoT memproses danmenganalisis data yang diterima (menggunakan ensemble-RF classifier) ​​ditepi jaringan untuk secara cepat mendeteksi jatuh dan bertindak sesuaidengan mengirim pesan peringatan secara real time ke layanan kesehatanprofesional yang bersangkutan. Cloud terdiri dari layananseperti otentikasi, penyimpanan, dan pemodelan Big Data.

2.3.2 Perangkat yang dapat dipakai

Prototipe perangkat yang dapat dipakai dibangun darikombinasi tiga blok modular utama: STM32 microcon-troller, terpasang dengan satu papan ekspansi berdasarkan SPSGRF-915 dengan konektivitas RF sub-1GHz yang beroperasi di868 atau 915 MHz, dan sensor gerak MEMS ekspansipapan yang dikembangkan oleh ST Microelectronics. STM32 mikrocontroller dilengkapi dengan ARM 32-bit Cortex-M3 pro-cessor dirancang untuk menawarkan kinerja sinyal digital yang sangat tinggimemproses dengan daya rendah, dan operasi tegangan rendah. Itupapan sensor terdiri dari beberapa sensor kecil daya ultralow.Namun, hanya sensor gerak MEMS (LSM6DS0) yang digunakanuntuk mengumpulkan data gerak yang terjadi saat dewasajatuh atau melakukan ADL, dan dapat dipakai dengan nyamantanpa mengganggu kegiatan sehari-hari para lansia.LSM6DS0 adalah accelerometer 3D-axis yang beroperasi dengan arentang akselerasi skala penuh (± 2 / ± 4 / ± 8 g). Skematisdiagram perangkat deteksi ditunjukkan pada Gambar. 5 a, danstruktur perangkat keras ditunjukkan pada Gambar. 5b.

2.3.3 Jaringan komunikasi nirkabel

Komunikasi nirkabel antara perangkat dan SmartGateway IoT didirikan oleh IPv6 nirkabel berdaya rendah(6LowPAN) teknologi berdasarkan standar IEEE 802.15.4.6LoWPAN adalah teknologi yang dirancang untuk mendukung konsumennectivity, interoperability, dan kompatibilitas heterogenjaringan sensor nirkabel (WSN) dengan biaya yang sangat rendah dan denganpersyaratan sangat rendah, dibandingkan dengan teknologi lainnyaseperti Wi-Fi atau Bluetooth. Selain itu, teknologi ini memilikikeuntungan yang melekat sebagai mobilitas yang lebih besar, ruang alamat yang lebih besar. penyebaran yang mudah, dan memelihara, antara lain, apa yang membuatnyateknologi ini cocok untuk digunakan dalam perangkat yang mendukung IoT,terutama di perangkat yang terbatas sumber daya.Kami membangun dan menggunakan jaringan 6LoWPAN yang terdiri daridua node 6lowPAN: perangkat wearable dan 6lowPANBorder Router (6LoBR). 6LoBR memainkan peran penting dalamkomunikasi di dalam dan di luar jaringan 6LowPAN kamikerja. 6LoBR bertanggung jawab atas (i) pertukaran data antaratween perangkat wearable dan layanan cloud dan (ii) menyediakankemampuan penerusan dan perutean di dalam jaringan 6LoWPANkerja. Dalam karya ini, Smart IoT gateway berperan6LoBR.

2.3.4 gateway IoT

Pada bagian ini, kami memperkenalkan modul fungsional danware digunakan untuk membangun gateway IoT.

Arsitektur IoT gateway IoT gateway adalah komponen kuncisistem deteksi jatuh kami dan mengintegrasikan lima modul utama:interoperabilitas, transformasi data, penganalisa data besar, emer-handler alert gency, dan representasi data semantik.

nteroperability IoT gateway bertindak sebagai jembatan antara6LowPAN jaringan dan layanan cloud, dengan demikian memungkinkan konkomunikasi yang lancar dan mulus antara semua sistemkomponen tem. Ini menyediakan fungsi konversi protokolitu termasuk mekanisme transisi 6LowPAN dan IPv6 / IPv4terjemahan pesan antara CoAP dan Antrian PesanProtokol Telemetry Transport (MQTT).Transformasi data Ini melakukan dua fungsi. SatuDi sisi lain, modul menerima data gerakan (x, y, dan znilai akselerasi) dan melakukan pemfilteran menggunakan orde pertamaFilter low-pass IIR, dan, di sisi lain, ini memberi anotasi danmemetakan data dalam format file CSV (comma separated value).

2.3.5 Layanan cloud

Cloud terdiri dari beberapa layanan, termasuk otentikasiManajer tion, penyimpanan, dan model ML. Otentikasimanajer adalah titik masuk ke cloud; itu mengontrol danthorizes aliran data ke dan dari sistem. Penyimpananlayanan menjaga informasi air terjun dan komponen ADLdari IoT Gateway dalam meta-model data dalam RDFformat representasi menggunakan database semantik. Penyimpanan inimodul sebelumnya diimplementasikan oleh MongoDB, tetapi denganpenggabungan kerangka UniversAAL, kita juga bisaManfaatkan basis data semantik yang mendukung SPARQLprotokol dan RDF Query Language yang merupakan query seperti SQLbahasa untuk meminta data yang diwakili dalam hal RDF.Konkretnya, Contep History Entrepot menyimpan semua konteksperistiwa diteruskan melalui middleware ke data ontologis-berdasarkan pernyataan RDF.

Akhirnya, begitu jatuh terjadi, model kembali dibuat dandilatih di cloud menggunakan API REST of BigML via MLlayanan model menjadi, nanti, dipakai secara lokal di Internetpintu gerbang.

3.Hasil dan evaluasi

3.1 Hasil pendeteksian jatuh

Untuk evaluasi kinerja sistem yang diusulkan, totaldari 54 percobaan terkontrol dilakukan: 27 percobaanKASIH Jatuh dan 27 Eksperimen ADL. Tiga mata pelajaran(Relawan) antara usia 40 dan 60 tahun, tubuhmassa 68,7-84,6 kg, dan tinggi 1,64 hingga1,79 m berpartisipasi dalam percobaan. Untuk menjadi sesuai dengan GPRD 1 dan untuk memastikan pengakuandari peserta proyek, sebelum pengalaman iniNamun, masing-masing subjek memberikan persetujuan tertulis kepadaberpartisipasi dalam proyek dan menggunakan informasi yang diekstraksidari percobaan untuk memenuhi tujuannya. Setiap subjekmelakukan jatuh dan ADL yang diuraikan di atas, dan masing-masingPercobaan diulang tiga kali. Oleh karena itu, setiapyect melakukan total 18 simulasi.

3.2 Perbandingan dengan sistem lain

Sebagaimana dinyatakan dalam Sect. 1, dalam beberapa tahun terakhir, beberapa studi penelitiantelah dilakukan untuk mengatasi deteksi jatuh pada lansiaorang-orang. Sebagai perbandingan, dengan sistem berbasis wearable itumenggunakan algoritma pembelajaran mesin untuk jatuh deteksi (yangadalah fokus dari pendekatan kami). Proposal kami adalah satu-satunyayang memanfaatkan efektivitas algoritma ensemblepembelajaran chine mencapai hasil yang menjanjikan dalam deteksi jatuhdalam hal akurasi, sensitivitas, dan spesifisitas.

Meskipun algoritma Tong et al. memiliki cita-citasensitivitas (100%) dan spesifisitas (100%), sampel datadigunakan untuk menguji sistem tidak sesuai dengan audiens targetence. Dengan demikian, hasil eksperimen yang diterapkan pada penatua akan menjadiberbeda dalam kondisi realistis. Bahkan, penulis melaporkanbahwa pelatihan dan pengujian sistem menggunakansampel dunia para penatua akan dilakukan dalam pekerjaan mendatang.Selain itu, sistem ini tidak memberi peringatan jika terjadi jatuh.

4.Ucapan penutup

Internet of Things adalah paradigma baru yang membantu orang dewasapopulasi untuk meningkatkan kualitas hidup mereka dengan memfasilitasi abentuk perawatan yang meresap dan lebih personal. Pelajaran initelah menghadirkan sistem IoTE-Fall, sistem IoT untuk deteksi jatuhorang tua di lingkungan dalam ruangan, berdasarkan BigModel data yang menggunakan teknik pemrosesan pembelajaran mesinberdasarkan ensemble-RF. Kami menganalisis dan menguji empat mesinalgoritma pembelajaran untuk mendeteksi jatuh dan membedakan mereka dariADL. Kami memilih algoritma yang paling sesuai untuk mencapai hal initujuan dengan membandingkan kinerja, kebutuhan komputasi-dan area di bawah karakteristik operasi penerima(ROC) kurva pengklasifikasi. Dengan memanfaatkan lintas lima kali lipatvalidasi, kami telah membangun dan menguji model klasifikasidari pengetahuan sejarah yang berasal dari yang dapat diakses publikdataset jatuh dan ADL dilakukan oleh orang tua.