Ortam Destekli Yaşam Uygulamaları İçin Gürbüz Düşme Sezme Yöntemi

1. 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

2. Başlıklar • Giriş • Motivasyon • İlgili Çalışmalar • Düzenek • Yöntem • Deney Sonuçları • Sonuç

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

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

5. 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

6. DüzenekOrtam • Boğaziçi Üniversitesi Ortam Destekli Yaşam Laboratuarı • 55m2, gerçek bir eve benzetilmiş alan

7. DüzenekOrtam - Devamı • Yer belirleme amaçlı RFID sistemi • Sıcaklık, rutubet, ses ışık algılayıcıları • Kablosuz video algılayıcılar • Bireyler için giyilebilir ivme ölçer

8. DüzenekOrtam - Devamı • Prototip uygulama • Uzaktan Takip • Erken Uyarı

9. Yöntemİvme 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.

10. YöntemÖklid Uzaklığı • Taslak Vektör - ν • 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.

11. YöntemNaif 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.

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

13. YöntemAz 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.

14. YöntemEşikleme • 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

15. Yöntemİmge 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

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

17. Yöntemİmge 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:

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

19. Deney SonuçlarıDeney 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

20. Deney SonuçlarıSenaryo

21. Deney SonuçlarıSenaryo - Devamı Düşme ile karıştırılabilecek aktiviteler Farklı deneklerin düşmeleri

22. Deney SonuçlarıSonuçlar 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

23. Sonuçlar • İvme ölçer kullanan yöntemler için • 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 gözlenmiştir.

24. SonuçlarGelecek 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

25. 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.