文献

J-GLOBAL ID：201702277741812755   整理番号：17A1396859

加速度計と気圧センサを用いたウェーブレットベースの落下検出法の精度【Powered by NICT】

Accuracy of a wavelet-based fall detection approach using an accelerometer and a barometric pressure sensor

著者 (5件)： Ejupi Andreas (School of Engineering Science at Simon Fraser University (SFU), Canada) ,  Galang Chantel (Department of Biomedical Physiology & Kinesiology at SFU, Canada) ,  Aziz Omar (School of Engineering Science at SFU, Canada) ,  Park Edward J. (School of Mechatronic Systems Engineering at SFU, Canada) ,  Robinovitch Stephen (School of Engineering Science at SFU, Canada)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： EMBC  ページ： 2150-2153  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 目標:転倒は,高齢者における罹患率の主要な源,秋は転倒後に独立に上昇できない高齢者の50%であった。装着型センサベース転倒検出デバイスは長い転倒後ある防止に役立つ可能性がある。本研究の目的は,加速度計と気圧センサデータに基づく転倒を自動的に検出する新しいウェーブレットベース手法の精度を決定することであった。【方法】参加者(n=15)は日常生活動作(ADL)の転倒,転倒,および活性を模倣した腰部,胸部,手首,大腿部に加速度計と気圧センサを装着した。パターン最適化ウェーブレットを用いたウェーブレット変換は,センサデータからの転落を検出した。【結果】全部で525の試験(194転倒,約105転倒と226ADL)を分析の対象とした。加速度計データのみにウェーブレットベース法を適用した場合,分類精度は82%から96%の範囲にあり,胸部センサ最高の精度を提供した。,気圧センサデータを含めた場合精度は平均で3.4%改善した(p=0.041; SD=3.0%)。機械学習を用いた多相転倒検出モデルにおけるウェーブレットに基づく特徴と伝統的な統計的特徴を組み合わせたとき,最高の分類精度(98%)が達成された。【結論】著者らは,ウェーブレットベース法を,近傍の転倒とADLから転落を識別する正確に,身体部位から発生したウェアラブルセンサデータに適用できることを示した。さらに,ウェーブレットベース転倒検出システムの精度は,加速度計と気圧センサデータを組み合わせることにより,機械学習分類アルゴリズムにおけるウェーブレットと統計的特徴を組み込むことにより改善できることを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： ウェーブレット変換 ,  転倒 ,  日常生活動作 ,  *加速度計 ,  老人 ,  身体部位 ,  最適化 ,  *センサ ,  機械学習 ,  *波束
準シソーラス用語： 分類アルゴリズム ,  統計的特徴 ,  分類精度 ,  センサデータ ,  ウェアラブル , 【Automatic Indexing@JST】

分類 (2件)： 老人医学  (GC09000X) ,  リハビリテーション  (GB06000Z)

タイトルに関連する用語 (4件)： 加速度計 ,  気圧センサ ,  ウェーブレット ,  落下検出