Comparação de métodos de aprendizado de máquina para detecção de queda baseada em unidades de medição inercial

Abstract

As quedas trazem sérios riscos aos indivíduos, especialmente aos idosos, que tendem a ter redução nas capacidades de movimentação. Tais riscos são agravados quando a pessoa não consegue se levantar sozinha e não há alguém perto que possa auxiliá-la. Em função disso, os sistemas de detecção de queda aparecem como uma alternativa para reduzir as sequelas causadas por esses acidentes. Tais dispositivos processam dados obtidos por sensores para identificar quando ocorreu uma queda e alertar familiares e serviços de emergência. Um elemento importante desses sistemas é o algoritmo que efetivamente realiza a detecção das quedas. Nesse contexto, este trabalho busca comparar o desempenho de métodos de aprendizado de máquina (AM) na identificação de quedas a partir de dados de acelerômetros e giroscópios posicionados em diferentes locais do corpo. Para isso, foi utilizada uma base de dados que contém características extraídas dos dados brutos dos sensores e técnicas de treinamento e avaliação de modelos comuns na literatura de AM. Os métodos avaliados nesse estudo são K-Nearest Neighbors (KNN), Random Forest (RF), Multi-Layer Percetron (MLP) e Support Vector Machine (SVM). Os melhores resultados, visando a usabilidade e confiabilidade de um sistema de detecção de quedas, foram obtidos pelo RF a partir dos dados dos sensores localizados no tornozelo.

Falls pose serious risks to individuals, especially to the elderly, who tend to experience reduced mobility. These risks are exacerbated when the person is unable to get up on their own and there is no one nearby to assist. As a result, fall detection systems have emerged as an alternative to mitigate the consequences of such accidents. These devices process data obtained from sensors to identify when a fall has occurred and alert family members and emergency services. An important component of these systems is the algorithm that effectively performs the fall detection. In this context, this study aims to compare the performance of machine learning algorithms in identifying falls based on data from accelerometers and gyroscopes positioned on different locations of the body. For this purpose, a dataset containing features extracted from raw sensor data was used, along with training and evaluation techniques commonly found in the machine learning literature. The methods evaluated in this study are K-Nearest Neighbors (KNN), Random Forest (RF), Multi-Layer Perceptron (MLP) and Support Vector Machine (SVM). The best results, considering the usability and reliability of a fall detection system, were achieved by the RF method using data from sensors positioned on the ankle.