بهبود روش‌هاي تبديل سيگنال‌هاي حركتي توليدشده توسط ابزارك‌هاي پوشيدني به تصوير براي آموزش شبكه‌هاي عصبي پيچشي تشخيص‌دهنده سقوط سالمندان

Improving the Methods of Converting Motion Signals Produced by Wearable Devices into Digital Images for Training Elderly Fall Detection Convolutional Neural Networks

در اين پروژه يك سامانه تشخيص سقوط سالمندان، در قالب يك ابزارك پوشيدني طراحي و ساخته شده است كه سالمندان به‌واسطه پوشيدن آن به طور مداوم مورد پايش خودكار قرار مي‌گيرند. سخت‌افزار سيستم به شكل يك ساعت پوشيدني ساخته شده است و به طور مداوم سيگنال‌هاي سه حسگر شتاب‌سنج، ژيروسكوپ و مغناطيس‌سنج را مورد پايش قرار مي‌دهد. سامانه دائماً روش‌ تشخيصي اوليه خود را بر سيگنال‌ها اعمال مي‌كند و درصورتي‌كه احتمال دهد كه سقوطي رخ داده، اطلاعات حركتي را از طريق يك ارتباط بيسيم به يك رايانه ميزبان مي‌فرستد. نرم‌افزار تشخيص اصلي كه در رايانه اجرا مي‌شود، سيگنال‌ها را آناليز كرده و در صورت تشخيص سقوط، با ارسال هشدار به امدادرسان، خطرات ثانويه را به حداقل مي‌رسد. نرم‌افزار تشخيصي اين سامانه از شبكه‌هاي عصبي پيچشي بهره مي‌برد. سيگنالهاي حركتي با استفاده ۶ روش متفاوت، به تصاوير ديجيتال رنگي تبديل شدند تا به‌واسطه آن‌ها ۲ شبكه عصبي كانوولوشنال پيشنهادي آموزش ببينند. سپس نتايج حاصل از تركيب اين ۶ روش با ۲ شبكه مقايسه گرديد. نرم‌افزار نهايي مي‌تواند نمونه‌هاي موجود در مجموعه‌داده را بدون خطا طبقه‌بندي نمايد. مصرف انرژي سامانه بهينه‌سازي گرديده تا علي‌رغم بهره‌گيري از هر سه حسگر حركتي رايج مي‌تواند به مدت ۳۰ ساعت بدون نياز به شارژ سرويس‌دهي نمايد.

Elderly falls are one of the leading causes of injury and death to this growing population. In this project, an elderly fall detection system has been designed and built in the form of a wearable device that allows the elderly to be constantly monitored by wearing it continuously. The system hardware is made in the form of a wearable watch that fastens to the left hand of the elderly and continuously monitors the signals of its three sensors, which are accelerometer, gyroscope, and magnetometer. The system continually applies its initial diagnostic method to the signals and sends motion information to a host computer via a wireless connection in the event of a fall. The primary diagnostic software on the computer analyzes the signals and accurately detects falls from daily activities of life. The diagnostic results of this system are automatically reported to the relevant people, such as nurses, relatives, or emergency staff. By providing timely assistance to the person, secondary risks are minimized. The diagnostic software of this system uses convolutional neural networks, which is a kind of deep learning methods. The dataset that this network has been trained with includes 1070 samples, part of which has been produced using the wearable device built for this research. These samples are stored from the daily activities and falls of 11 subjects with different physical characteristics. Then, using 6 different methods, the motion signals were converted into color digital images to train the two proposed convolutional neural networks. Finally, the results of combining these 6 methods with 2 proposed networks were compared. The final software can classify the samples in the project-specific dataset without error. The system hardware has low power consumption, and despite using all three common motion sensors, it can provide service for 30 hours without the need for charging.