Ortam Destekli Yaşam Uygulamaları İçin Gürbüz Düşme Sezme Yöntemi Bilgisayar Mühendisliği Bölümü Boğaziçi Üniversitesi Hande Özgür Alemdar, Yunus Emre Kara, Mustafa Ozan Özen, Gökhan Remzi Yavuz, Özlem Durmaz İncel, Lale Akarun, Cem Ersoy

Başlıklar Giriş Motivasyon İlgili Çalışmalar Düzenek Yöntem Deney Sonuçları Sonuç

Giriş Ortam Destekli Yaşam Vücut üzerinde ve yaşam alanında Algılayıcılar Uyarıcılar (Eyleyiciler) İşleyiciler Amaç: Hayatı kolaylaştırmak, kalitesini arttırmak, güvenli hale getirmek

Motivasyon Kronik Hastalıklar Yaşlı Nüfus ve bağımsız yaşam Düşmeye bağlı sakatlık ve ölümler Acil tıbbi müdahale Gündelik hayatta güven

İlgili Çalışmalar Sadece ivme ölçer ile: Düşme ile hızlı oturmanın karıştırılması Çok sayıda yanlış alarm İvmeölçer ve Jiroskop gibi ek donanım Düşmenin yatay sonlanacağı varsayımı SATIRE, Mercury: Aktivite sınıflandırma ve hareket analizi

Düzenek Ortam Boğaziçi Üniversitesi Ortam Destekli Yaşam Laboratuarı 55m2, gerçek bir eve benzetilmiş alan

Düzenek Ortam - Devamı Yer belirleme amaçlı RFID sistemi Sıcaklık, rutubet, ses ışık algılayıcıları Kablosuz video algılayıcılar Bireyler için giyilebilir ivme ölçer

Düzenek Ortam - Devamı Prototip uygulama Uzaktan Takip Erken Uyarı

Yöntem İvme ölçer İvme verisi kullanılarak düşme sezme için geliştirilen ve kıyaslanan yöntemler: Öklid Uzaklığı Naif Bayes Az sıklıklı desen bulma Eşikleme İvme verisi üç eksen için -2g ile +2g arasındaki değerlerden oluşmaktadır.

Yöntem Öklid Uzaklığı Taslak Vektör - ν Öklid Uzaklığı - d Düşme sezme Eğitim kümesindeki üç eksenli düşme verilerinden oluşturulmuş vektör Öklid Uzaklığı - d Sınama kümesindeki herbir vektörün, taslağa olan uzaklığı Düşme sezme Taslağa olan uzaklığı belirli bir sınırın altında olan ölçüm bir düşme durumunu belirtir.

Yöntem Naif Bayes Naif Bayes sınıflandırıcı Sınıflar: Düşme ve Normal Eğitim kümesinden Sınıfın görülme olasılığı – P(Ci) Sınıftan belirli bir ölçüm alınma olasılığı – P(X|Ci) Belirli bir ölçümün görülme olasılığı – P(X) kestirilir. P(X|Ci) için normal dağılım varsayımı yapılarak eğitim kümesinden bu dağılımın parametreleri kestirilir.

Yöntem Naif Bayes - Devamı Eğitim kümesinden yapılan kestirimlerden sonra Kullanılarak, her ölçümün bir düşme olma olasılığı hesaplanır. Düşme olasılığının yüksek olduğu durumlar düşme olarak belirlenir.

Yöntem Az Sıklıklı Desen Bulma Tek boyutlu veri Üç eksenin kareleri toplamı Üç eksende ayrı işlem ve sonrasında birleştirme Eğitim kümesinde ard arda gelen okumalar arasındaki farklar hesaplanarak, sıklıkları kaydedilir. Eğitim kümesinden düşme verileri çıkarılmıştır. Sınama kümesinde aynı işlem yapılarak az sıklıklı farklar düşme olarak işaretlenir.

Yöntem Eşikleme İvme ölçümlerinin önceden belirlenmiş eşiğin altına inmesi veya üstüne çıkması düşme olarak belirtilir. Eşik değeri eğitim kümesi kullanılarak belirlenir. Eşikleme tek boyutlu veriye uygulanmıştır. Ana eksen Eksenlerin kareleri toplamı

Yöntem İmge İşleme Arkaplan ayıklama Morfolojik işleme 50x50 boyutlu karede genleşme 60x60 boyutlu karede kemirme Gürültü ayıklama – Alan Süzgeci En büyük lekeye elips oturtma Belirli bir büyüklükten itibaren insan varsayımı

Yöntem İmge İşleme - Devamı Her bir kare için: Elips oryantasyonu Elips uzanımı ve bunların hız ve ivmeleri hesaplanarak altı boyutlu vektörler oluşturulur.

Yöntem İmge İşleme - Devamı Her bir karenin eğitim kümesindeki sınıflara uzaklığı hesaplanır. İki sınıf: Düşme ve Normal Sınıflar içerisindeki en yakın üyelere olan öklid uzaklığı Uzaklıklardan düşme olma olasılığı hesaplanır:

Yöntem İmge İşleme - Devamı Düşme skorlarının kayan bir pencere içerisinde ortalaması alınarak, ortalamanın 0,5’ten büyük olduğu durumlar düşme olarak belirlenir.

Deney Sonuçları Deney Düzeneği Beş sağlıklı, gönüllü denek 2 Kadın, 3 Erkek ortalama 27 yaş Bir adet göğüs, bir adet bel hizasında kablosuz ivme ölçer Önceden belirli senaryo Düşme ile karıştırılabilecek aktiviteler Her denek için 10-20 tekrar, toplam 81 tekrar Eğitim kümesi: 16 video ve ivme ölçer veri kümesi

Deney Sonuçları Senaryo

Deney Sonuçları Senaryo - Devamı Düşme ile karıştırılabilecek aktiviteler Farklı deneklerin düşmeleri

Deney Sonuçları Sonuçlar Anma (%) Duyarlılık (%) İvme Ölçer Öklid Uzaklığı 77 29 Naif Bayes 98 20 Az-Sıklıklı Desen Bulma – A 92 16 Az-Sıklıklı Desen Bulma – B 100 18 Eşikleme – A 21 Eşikleme – B 34 İmge İşl. Kayan pencere boyutu: 5 53 Kayan pencere boyutu: 10 89 71 Kayan pencere boyutu: 15 84 81 Kayan pencere boyutu: 20 80 Anma: Verilen düşme uyarılarının, gerçekte olan düşme durumlarına oranı %100 anma, düşmelerin tamamının belirlenebilenebildiğini gösterir. Duyarlılık: Verilen doğru düşme uyarılarının, verilen tüm uyarılara oranı %100 duyarlılık, hiç yanlış uyarı verilmediğini gösterir

Sonuçlar İvme ölçer kullanan yöntemler için gözlenmiştir. Yüksek anma başarımı Düşük maliyet ( İletişim ve işleme ) Düşük duyarlılık gözlenmiştir. Video tabanlı yöntemler için Yüksek anma ve yüksek duyarlılık Yüksek maliyet Olası mahremiyet sorunları

Sonuçlar Gelecek Çalışmalar Yöntemlerin daha gündelik davranışlarda başarımının gözlenmesi Gürbüzlüğü arttırma ve gözlemlenen zayıflıkların giderilmesi için veri ve/veya karar birleştirme yöntemlerinin kullanılması Başarımın arttırılması için yeni yöntemlerin araştırılması

Teşekkür Bu çalışma TÜBİTAK tarafından EEEAG/108E207 numaralı araştırma projesi kapsamında Boğaziçi Üniversitesi Bilimsel Araştırma Projeleri (BAP) tarafından 09A101P numaralı araştırma projesi kapsamında Devlet Planlama Teşkilatı tarafından, 2007K120610 numaralı TAM Projesi kapsamında Desteklenmiştir.