Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Cơ Chế Phát Hiện Ngã Thông Minh Cho Chăm Sóc Sức Khỏe Dưới Điều Kiện Sống Tự Do
Tóm tắt
Với số lượng người tóc bạc ngày càng tăng, họ không thể bỏ qua hệ thống chăm sóc, trong đó ngã là một trong những nguyên nhân quan trọng dẫn đến tử vong do tai nạn. Nếu ngã không được phát hiện kịp thời, hậu quả có thể rất nghiêm trọng. Sương mù tâm lý do người bị thương gây ra dẫn đến giảm hoạt động. Hệ thống chăm sóc bao gồm đồng hồ thông minh để theo dõi các giá trị sinh lý và phát hiện ngã, thiết bị Beacon để xác định vị trí trong nhà, và cảm biến chất lượng không khí ngoài trời. Hệ thống cũng thiết lập một máy chủ đám mây trên Amazon để hoạt động như một trung tâm của hệ thống, thiết kế một ứng dụng trên nền tảng Android để kiểm soát vị trí, sinh lý, tình trạng thuốc, và đưa ra nhắc nhở kịp thời. Trong phần phát hiện ngã của đồng hồ thông minh, nghiên cứu này đề xuất một thuật toán ngưỡng thích ứng dựa trên lý thuyết mờ để xác định nỗi ngã. Khi một vụ ngã xảy ra, Beacon ngay lập tức xác định vị trí của người chăm sóc và thông qua Wi-Fi gửi các gói dữ liệu chứa vị trí của vụ ngã và danh tính của người chăm sóc đến máy chủ, đồng thời gửi thông báo đến ứng dụng di động của người chăm sóc thông qua máy chủ. Trong thí nghiệm, dữ liệu gia tốc của sáu nam và sáu nữ được thu thập trong các hoạt động hàng ngày và ngã, sau đó phân tích sự khác biệt trong giá trị gia tốc của chiều cao và trọng lượng khác nhau trong quá trình ngã. Độ nhạy đạt 93,75% và độ đặc hiệu 97,5%. Hệ thống này cho phép các nhà cung cấp chăm sóc hiện tại có được nhiều thông tin và phản hồi thời gian thực hơn, từ đó cải thiện chất lượng dịch vụ tổng thể và hiệu quả, giảm chi phí nhân lực và tiêu thụ tài nguyên.
Từ khóa
#ngã #đồng hồ thông minh #phát hiện ngã #chăm sóc sức khỏe #hệ thống chăm sóc #lý thuyết mờTài liệu tham khảo
National Development Council, Taiwan (ROC). https://www.ndc.gov.tw/
Ministry of Health and Welfare, Taiwan (ROC). https://www.mohw.gov.tw/
Mathie, M. J., Celler, B. G., Lovell, N. H., & Coster, A. C. F. (2004). Classification of basic daily movements using a triaxial accelerometer. Medical and Biological Engineering Computing, 42(5), 679–687.
Hauer, K., Lamb, S. E., Jorstad, E. C., Todd, C., & Becker, C. (2006). Systematic review of definitions and methods of measuring falls in randomised controlled fall prevention trials. Age and Ageing, 35(1), 5–10.
Mubashir, M., Shao, L., & Seed, L. (2013). A survey on fall detection: Principles and approaches. Neurocomputing, 100, 144–152.
Karantonis, D. M., Narayanan, M. R., Mathie, M., Lovell, N. H., & Celler, B. G. (2006). Implementation of a real-time human movement classifier using a triaxial accelerometer for ambulatory monitoring. IEEE Transactions on Information Technology in Biomedicine, 10(1), 156–167.
Wang, J., Zhang, Z., Li, B., Lee, S., & Sherratt, R. S. (2014). An enhanced fall detection system for elderly person monitoring using consumer home networks. IEEE Transactions on Consumer Electronics, 60(1), 23–29.
Cheng, J., Chen, X., & Shen, M. (2013). A framework for daily activity monitoring and fall detection based on surface electromyography and accelerometer signals. IEEE Journal of Biomedical and Health Informatics, 17(1), 38–45.
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.
Ozcan, K., & Velipasalar, S. (2016). Wearable camera- and accelerometer-based fall detection on portable devices. IEEE Embedded Systems Letter, 8(1), 6–9.
Wang, C., et al. (2016). Low-power fall detector using triaxial accelerometry and barometric pressure sensing. IEEE Transactions on Industrial Informatics, 12(6), 2302–2311.
Pierleoni, P., Belli, A., Palma, L., Pellegrini, M., Pernini, L., & Valenti, S. (2015). A high reliability wearable device for elderly fall detection. IEEE Sensors Journal, 15(8), 4544–4553.
Li, Y., Ho, K. C., & Popescu, M. (2012). A microphone array system for automatic fall detection. IEEE Transactions on Biomedical Engineering, 59(5), 1291–1301.
Kianoush, S., Savazzi, S., Vicentini, F., Rampa, V., & Giussani, M. (2017). Device-free RF human body fall detection and localization in industrial workplaces. IEEE Internet Things Journal, 4(2), 351–362.
Auvinet, E., Multon, F., Saint-Arnaud, A., Rousseau, J., & Meunier, J. (2011). Fall detection with multiple cameras: An occlusion-resistant method based on 3-d silhouette vertical distribution. IEEE Transactions on Information Technology in Biomedicine, 15(2), 290–300.
Chen, M.-C. (2016). A video surveillance system designed to detect multiple falls. Advances in Mechanical Engineering, 8(4), 1687814016642914.
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.
Curran, K., Furey, E., Lunney, T., Santos, J., Woods, D., & McCaughey, A. (2011). An evaluation of indoor location determination technologies. Journal of Location Based Services, 5(2), 61–78.
Lemic, F., et al. (2015). IPSN '15: Proceedings of the 14th international conference on information processing in sensor networks (pp. 178–189). https://doi.org/10.1145/2737095.2737726
Luo, X., O’Brien, W. J., & Julien, C. L. (2011). Comparative evaluation of Received Signal-Strength Index (RSSI) based indoor localization techniques for construction jobsites. Advanced Engineering Informatics, 25(2), 355–363.
Faragher, R., & Harle, R. (2015). Location fingerprinting with bluetooth low energy beacons. IEEE Journal on Selected Areas in Communications, 33(11), 2418–2428.
Chen, Z., Zhu, Q., & Soh, Y. C. (2016). Smartphone inertial sensor-based indoor localization and tracking with iBeacon corrections. IEEE Transactions on Industrial Informatics, 12(4), 1540–1549.
Gezici, S., & Poor, H. V. (2009). Position estimation via ultra-wide-band signals. Proceedings of the IEEE, 97(2), 386–403.
Hammer, F., et al. (2016). Performance evaluation of 3D-position estimation systems. IEEE Sensors Journal, 16(16), 6416–6424.
Yang, C., & Shao, H. R. (2015). WiFi-based indoor positioning. IEEE Communications Magazine, 53(3), 150–157.
Chen, C., Han, Y., Chen, Y., & Liu, K. J. R. (2016). Indoor global positioning system with centimeter accuracy using Wi-Fi [Applications Corner]. IEEE Signal Processing Magazine, 33(6), 128–134.
Kozina, S., Gjoreski, H., Gams, M., & Luštrek, M. (2013). Efficient activity recognition and fall detection using accelerometers. International Competition on Evaluating AAL Systems through Competitive Benchmarking, EvAAl (pp. 13–23). Berlin: Springer.
Luštrek, M., Gjoreski, H., Kozina, S., Cvetković, B., Mirchevska, V., & Gams, M. (2011). Detecting falls with location sensors and accelerometers. In: Twenty-Third Innovative Applications of Artificial Intelligence Conference, vol. 1(1), pp. 1662–1667.
Hristijan, G., Matjaž, G., & Mitja, L. (2014). Context-based fall detection and activity recognition using inertial and location sensors. Journal of Ambient Intelligence and Smart Environments, 6(4), 419–433.
Gjoreski, H., Kozina, S., Gams, M., & Luštrek, M. (2014). RAReFall—Real-time activity recognition and fall detection system. In: 2014 IEEE International Conference on Pervasive Computing and Communication Workshops, pp. 145–147.
Huang, J., Xu, W., Mohammed, S., & Shu, Z. (2015). Posture estimation and human support using wearable sensors and walking-aid robot. Robotics and Autonomous Systems, 73, 24–43.
Shen, V. R., Lai, H. Y., & Lai, A. F. (2015). The implementation of a smartphone-based fall detection system using a high-level fuzzy Petri net. Applied Soft Computing, 26, 390–400.
Kwolek, B., & Kepski, M. (2016). Fuzzy inference-based fall detection using kinect and body-worn accelerometer. Applied Soft Computing, 40, 305–318.
Verma, A., Merchant, R.A., Seetharaman, S., & Yu, H. (2017). An intelligent technique for posture and fall detection using multiscale entropy analysis and fuzzy logic. In: Region 10 Conference. IEEE, pp. 2479–2482.
Putchana, W., Chivapreecha, S., & Limpiti, T. (2013). Wireless intelligent fall detection and movement classification using fuzzy logic. IEEE Biomedical Engineering International Conference, 2013, 1–5.
Di, P., Hasegawa, Y., Nakagawa, S., Sekiyama, K., Fukuda, T., Huang, J., & Huang, Q. (2016). Fall detection and prevention control using walking-aid cane robot. IEEE/ASME Transactions on Mechatronics, 21(2), 625–637.
Tai, K. Y., Chiang, D. L., Chen, T. S., et al. (2020). Smart fall prediction for elderly care using iPhone and apple watch. Wireless Personal Communications, 114, 347–365. https://doi.org/10.1007/s11277-020-07366-3.
Hasan, M. A., & Rahman, M. H. (2020). Smart phone based sensor fusion by using Madgwick filter for 3D indoor navigation. Wireless Personal Communications, 113, 2499–2517. https://doi.org/10.1007/s11277-020-07338-7.
ElAttaoui, A., Largo, S., Kaissari, S., Benba, A., Jilbab, A., & Bourouhou, A. (2020). 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), 320–332. https://doi.org/10.1049/iet-wss.2020.0091.
Ponce, H., Martínez-Villaseñor, L., & Nuñez-Martínez, J. (2020). Sensor location analysis and minimal deployment for fall detection system. IEEE Access, 8, 166678–166691. https://doi.org/10.1109/ACCESS.2020.3022971.
Sony watch 3 (SWR50) Website: https://www.amazon.com/Sony-SWR50-SmartWatch-Transflective-Display/dp/B00N9OAQI0
Nilashi, M., Bagherifard, K., Ibrahim, O., Janahmadi, N., & Barisami, M. (2011). An Application expert system for evaluating effective factors on trust in B2C websitestrust, security, ANFIS, fuzzy logic, rule based systems, electronic commerce. Engineering, 3(11), 1063–1071. https://doi.org/10.4236/eng.2011.311132.