Vous êtes sur la page 1sur 7

IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO. 2, FEB.

2016 1011

Smartphone-based Human Fall Detection


System
L. Valcourt, Y. D. L. Hoz, and M. Labrador
1
Abstract— The use of technology has proven to be a value asset categoría son personas mayores de 65 años [4]. Los teléfonos
in the health department. Nowadays, from computers to inteligentes están equipados con sensores (acelerómetros,
smartphones, technology helps people in their activities, being giroscopios, barómetros, etc.) capaces de recolectar los datos
these personally or cooperativily. Thanks to these advantages, new
del usuario. Estos datos pueden ser utilizados para detectar
research has develop to create systems and applications to help
with people’s health, in our case detecting fall accidents with the patrones únicos que se generan en una caída.
use of smartphones. This paper presents an approach to detect Además de esto los celulares inteligentes no representan
falls using different proposed algorithms with the goal of helping una molestia para el usuario, debido a que estos están
people with their health and security. The system is composed of acostumbrados a llevarlos con ellos todo el tiempo.
three different components: data collection, location selection, and Este estudio presenta un enfoque para detectar caídas
fall detection. It utilizes the smartphone’s built-in sensors
utilizando el acelerómetro y giroscopio incorporado en los
(accelerometer, gyroscope) to identify the location of the
smartphone in the user’s body (chest, pocket, holster, etc.) and teléfonos inteligentes actuales. El enfoque propuesto se basa
once a location is identified, the fall detection component takes en tres componentes que se utilizan para detectar una posible
place. A general description on fall detection systems is provided, caída. El primer componente utiliza los valores en bruto de un
including the different types of sensors used nowadays. The acelerómetro de tres ejes y la magnitud de un giroscopio para
proposed solution is presented and described in great detail. A localizar la posición del dispositivo en el cuerpo del usuario
total accuracy of 81.3% was calculated from the fall detection
(bolsillo del pecho de camisa, bolsillo lateral de pantalón y la
proposed algorithm. The top three locations to detect a fall
were: texting with a 95.8% fall detection accuracy, pants’ side funda del teléfono móvil horizontal). Además, el algoritmo
pocket with an 87.5% accuracy, and shirt chest pocket with an puede reconocer si una persona está hablando, si esta
83.3% accuracy. Also an extra study was done using only the escribiendo o leyendo un mensaje de texto, o si está
holster location generating an excellent 100% location selection caminando con el dispositivo en una mano. El segundo
accuracy. componente detecta caídas mediante el uso de umbrales
específicos que se determinan en función de la posición del
Keywords— Accelerometer, gyroscope, fall detection, location
selection, mobile applications.
dispositivo mediante la magnitud del acelerómetro. Si se
detecta una caída, se activa una alerta y, si el usuario no puede
I. INTRODUCCIÓN alcanzar el dispositivo o está inconsciente, la aplicación
reacciona automáticamente llamando a un número telefónico
S EGÚN el CDC (Centros para el Control y la
Prevención de Enfermedades) , una de cada tres personas
mayores de 65 años es probable que sufra una caída. Veinte a
grabado por el usuario, y también envía la localización del
usuario por mensaje de texto. El tercer y último componente
es la constante actualización de valores mientras que los dos
treinta por ciento de ellos sufren lesiones como fracturas, componentes anteriores continúan realizando su función.
pérdida de independencia, e incluso la muerte [1]. Además, se El resto del artículo está organizado de la siguiente
espera que la población estadounidense mayor de 65 años pase manera. Sección II ofrece una breve descripción de las
de 12.4 % en 2000 a 19,6 % en 2030 [2]. Esto representa un soluciones actuales de detección de caída. Sección III describe
problema que debe ser atendido lo más pronto posible. la solución propuesta en detalle. Sección IV presenta los
Los sistemas de detección de caída nacieron debido a la resultados de la evaluación del sistema propuesto. Por último,
creciente necesidad de minimizar las consecuencias de una la Sección V concluye el documento .
caída. Un sistema de detección de caída es una plataforma
automatizada capaz de determinar si un sujeto de interés ha II. ESTADO DEL ARTE
sufrido una caída o no. La mayoría de los sistemas actuales
utilizan sensores externos alrededor del cuerpo del sujeto. En los últimos años, una cantidad significativa de
Estos tipos de sensores se pueden encontrar incorporados en investigación se ha hecho en relación con la detección de
teléfonos inteligentes regulares en el mercado actual [3]. caídas. Muchas soluciones se han ideado como resultado de
estas investigaciones. Algunos de ellos se describen a
En los Estados Unidos, el 58 por ciento de los adultos son
continuación.
propietarios de teléfonos inteligentes y el 19 por ciento de esa
A. Productos de Compañías
1 Empresas de salud han creado diferentes tipos de sistemas
L. Valcourt, Universidad de Puerto Rico en Bayamón,
para detectar caídas con la ayuda de tecnologías populares
luisvalcourt2@gmail.com
Y. De La Hoz, Univeristy of South Florida, Tampa Campus, (Bluetooth, WiFi, cámaras de vídeo). Alert1 [5] y Medical
yuengdelahoz@mail.usf.edu Guardian [6] han desarrollado sistemas para detectar caídas
M. Labrador, University of South Florida, Tampa Campus, utilizando un colgante como una unidad base que se conecta a
mlabrador@usf.edu
1012 IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO. 2, FEB. 2016

una estación principal. Estas compañías y muchas otras tienen y acelerómetro ), por lo que es menos eficiente en la detección
un problema similar: el sistema sólo funciona en las zonas de una caída si alguno de los dos sensores dejase de funcionar.
donde el pendiente se puede comunicar con la estación Este trabajo propone una solución modular que abarca la
principal. Muchos han adaptado sus dispositivos de tal manera identificación de la ubicación del móvil y detección de caídas.
que puedan conectarse a su estación principal a través de El usuario es capaz de llevar el móvil en seis de los lugares
Internet u otros recursos. Además, empresas como VoCare [7] más populares de uso con respecto al cuerpo del usuario: el
tienen teléfonos móviles entre sus productos para detectar bolsillo del pecho de una camisa, bolsillo lateral del pantalón,
caídas específicamente para personas de edad avanzada. Un funda protectora, mientras escribe o lea mensajes de texto,
gran defecto que estos teléfonos móviles tienen es que muchas mientras hable por teléfono, y mientras camine con el teléfono
de las caídas que detectan son sólo de los teléfonos que se en la mano.
deslizan de las manos del usuario, que puede suceder mucho
debido a los impedimentos de las personas mayores. Además, III. SOLUCIÓN E IMPLEMENTACIÓN
algunos de estos teléfonos móviles son muy complicados de
usar, y las personas de edad avanzada generalmente no saben
cómo usarlos.
B. Cámaras
Nuevos estudios han surgido empleando cámaras de bajo
costo para detectar caídas de personas mayores . Doulamis et
al. [8] propuso un sistema de detección de caída utilizando Figura 1. Módulos del Sistema.
cámaras de bajo costo. Su trabajo utilizó la substracción de
fondo que actualiza constantemente el primer plano dinámico. Este proyecto tiene como objetivo superar los problemas
Ellos aplicaron sus propios algoritmos para detectar una caída. expuestos por algunos de los sistemas mencionados,
La calidad de la cámara utilizada no fue la mejor, lo cual proporcionando los siguientes beneficios:
afectó los resultados de las imágenes. • Un criterio más general se utiliza para la localización
Usando cámaras más eficientes (cámaras del dispositivo, dando al usuario más opciones al usar
omnidireccionales), Miaou et al. [9] fueron capaces de recoger su celular inteligente.
datos del usuario gracias a un vista de 360 grados . El trabajo • No se requieren sensores adicionales.
incluyó comportamientos de los usuarios individuales y las • El nivel de obstrucción es cercano a cero debido a
técnicas de procesamiento de imágenes para identificar a los que el usuario está acostumbrado a usar dispositivos
usuarios y caídas; se presentaron prioridades en función de la móviles.
salud del usuario. Uno de los inconvenientes del sistema era • Facilidad de uso. Se requiere de una mínima/ninguna
su baja eficiencia para detectar caídas. manipulación por parte del usuario.
Estos proyectos adolecen del mismo problema: el sistema • Sin costo adicional para el usuario (teniendo en
se limita a lugares donde haya cámaras instaladas. Por lo cuenta que el usuario ya tiene un teléfono
tanto, se necesitan más cámaras para ampliar la cobertura, inteligente).
incurriendo en mayores gastos. El enfoque propuesto se divide en tres módulos diferentes:
recolección de datos, selección de ubicación, y detección de
C. Celulares Inteligentes
caídas, como se muestra en la Fig. 1. Antes que se detecte una
Hwang et al. [10] presentó un sistema de detección de ubicación o una caída, un proceso de recolección de datos se
caídas que se beneficia de un acelerómetro de tres ejes y un ejecuta para recopilar datos del acelerómetro y giroscopio.
magnetómetro en un teléfono inteligente. Utilizó un tipo de Estos datos se utilizan por primera vez en el algoritmo de
funda para el teléfono inteligente y empleó los datos recogidos selección de ubicación. Cuando se selecciona una ubicación
por los sensores para obtener los umbrales y los ángulos de final, se ejecuta el algoritmo propuesto para la detección de
movimiento del usuario. Aunque las actividades básicas de la caídas. Si se superan los umbrales predefinidos, se detecta una
vida diaria (ADL) fueron estudiadas y consideradas durante su caída. La Fig. 2 muestra un diagrama de flujo del sistema
proyecto, la solución se limita a pequeñas actividades y propuesto. En las siguientes subsecciones se explica con más
posibilidades. Todas las pruebas se realizaron utilizando detalle los componentes del sistema.
posiciones estáticas durante la acción de simular una caída. Se
consideraron cuatro direcciones al caerse la persona: hacia
delante, hacia atrás, hacia la izquierda y hacia la derecha.
Kangas et al. [11] utilizó lugares específicos en el cuerpo
del usuario para calcular diferentes umbrales con datos
recogidos de un acelerómetro de tres ejes. Este proyecto
presentó otra posible solución para la detección de caídas
usando sensores externos, en la cintura del usuario y la cabeza.
Calcularon el vector de suma, suma de vectores dinámica,
aceleración vertical, y los valores máximos y mínimos . La
fiabilidad del sistema depende de ambos sensores (giroscopio
VALCOURT et al.: SMARTPHONE-BASED HUMAN FALL 1013

TABLA I. SELECCIÓN DE UBICACIÓN.

Valores Promedios del Acel. Magnitud Promedio del


Ubicación (x, y, z) Gyro.

[z >
Bolsillo
x]
Frontal de
AND [1.5 > G > .5]
la Camisa
[y > x]

[z >
x]
Bolsillo
AND
Lateral de un
[y>
Pantalón [2.0 > G > 1.3]
z] AND
Figura 2. Diagrama de Flujo del Sistema. [ y > x]
[z >
A. Obtención de Datos
x]
Los datos utilizados en el proceso de selección de la Funda de AND
ubicación y la detección de caída se recogen del sensores Teléfono
[z>
(acelerómetro y giroscopio) que se encuentran embebidos en Inteligente [2.0 > G > 1.3]
(horizontal) y] AND
un teléfono inteligente. Para este proyecto se utilizó el [x > y]
teléfono inteligente, Android Google Nexus 5, versión de [x >
sistema operativo 4.4.2. El programa recolecta constantemente y]
los datos que se suministran a los otros módulos del sistemas. Hablar por AND
Los primeros valores recogidos son empleados por el Teléfono [G < .8]
[z >
algoritmo de selección de ubicación que se explica a x]
continuación. [y>
B. Selección de Ubicación Escribir o Leer x]
AND [1.0 > G > .5]
Mensajes de
Uno de los objetivos de este trabajo es dar al usuario la
Texto [y >
libertad suficiente para elegir la posición en la que utilizará el
z]
dispositivo. Estos lugares son: el bolsillo frontal de la camisa,
[x >
el bolsillo lateral de un pantalón, funda de teléfono inteligente
y]
(horizontal), mientras escribe o lea mensajes de texto, Teléfono en [G >
AND
mientras hable por teléfono, y mientras camine con el teléfono Mano 1.6]
[z >
en mano. Con el uso del eje x, y, y z del acelerómetro y la
y]
magnitud de la giroscopio, el sistema es capaz de determinar
la posición del dispositivo. Se calcula y almacena una media
cada diez valores por eje del acelerómetro. Al mismo tiempo, C. Detección de Caídas
el promedio de la magnitud del giroscopio (Ecuación 1) de El componente de detección de caídas se activa cuando se
diez muestras se calcula y se almacena. Una ubicación se determina una ubicación. La ubicación es clave para
selecciona con base en el promedio de los valores de los ejes seleccionar los umbrales para detectar una caída ya que
del acelerómetro y un umbral establecido sobre la magnitud dependen de la posición del teléfono inteligente. El sistema se
promedio del giroscopio. La Tabla I muestra los criterios de beneficia de la magnitud del acelerómetro (Ecuación 2) para
decisión utilizados para cada posición. Con el uso de un "es detectar una caída. Las caídas tienen patrones y características
mayor" acercamiento entre los tres valores promedio de los únicas que pueden ser explotadas con el fin de poder detectar
ejes del acelerómetro, algunas ubicaciones fueron detectadas las. La Fig. 3 muestra una señal de la magnitud del
con facilidad. Otros lugares, debido a la similitud de la señal y acelerómetro de una caída.
de los valores, se detectaron incluyendo umbrales adicionales.
La magnitud del giroscopio proveyó la información adicional || || = + + (2)
que facilitó la identificación de la ubicación del teléfono
Antes de que una caída tome lugar, hay un aumento en la
inteligente.
amplitud de pico a pico de la señal seguido de un período de
|| || = + + (1) inactividad. Un filtro de paso alto se utiliza para eliminar los
componentes de baja frecuencia de la señal de la magnitud del
Una ventana empíricamente calculada de 30 segundos se acelerómetro. El propósito de utilizar un filtro de paso alto es
utiliza para volver a calcular la ubicación del teléfono para centrar la señal en torno a cero (amplitud), haciendo que
inteligente. Este proceso comprueba si el usuario ha cambiado el proceso de identificación de periodos de inactividad sea
la ubicación del teléfono inteligente. Una vez que se detecta más fácil. La Fig. 4 muestra un ejemplo de una señal de
una posición, se utiliza como la posición por defecto para acelerómetro filtrada usando un filtro pasa-altas (magnitud).
detectar una caída.
1014 IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO. 2, FEB. 2016

De haber detectado el sistema una caída, automáticamente


éste procede a llamar al número telefónico grabado por el
usuario para pedir ayuda. Además, utilizando el mismo
número, el sistema envía un mensaje de texto con la
localización del usuario. Cada cuatro minutos una actividad
Figura 3. Valores de la Magnitud del Acelerómetro No-Filtrados (Bolsillo
externa verifica la localización del usuario. Se utiliza la
Lateral de un Pantalón) longitud y latitud del mismo para mejorar la exactitud de la
localización. Para que esta función trabaje con excelencia, se
requiere que el usuario tenga encendido el sistema de
posicionamiento global al menos en el inicio del sistema para
poder retener la localización.

IV. EVALUACIÓN DEL SISTEMA


Figura 4. Valores de la Magnitud del Acelerómetro Filtrados (Bolsillo Lateral Se realizaron un total de 180 experimentos, 36
de un Pantalón). experimentos de selección de ubicación, 36 experimentos de
El algoritmo propuesto utiliza el diagrama de estado que se caída, y 108 experimentos de actividades del diario vivir (no
muestra en la Fig. 5 para detectar caídas. Se asume que una caídas). Seis sujetos en las edades entre 20 y 38 participaron
persona está caminando cuando se inicia el proceso. Se detecta en los experimentos. Las caídas se simularon con ningún
una caída cuando los tres factores desencadenantes se orden en particular, el uso de los lugares especificados
cumplen. El primer factor se activa cuando se detecta un pico (bolsillo de camisa en el pecho, bolsillo del pantalón, funda
anormal en la amplitud pico (ST1 es alcanzado). ST2 se protectora, actividad de escribir mensaje de texto, actividad de
alcanza cuando el valor actual promedio de la señal se hablar, dispositivo en la mano). Tres actividades básicas se
estabiliza cerca de cero. El estado final se activa (se detecta utilizaron para simular las no caídas. Estas actividades fueron:
una caída) cuando un período de inactividad (valores de señal detenerse, agacharse para recoger un objeto del suelo y de
están cerca de cero) es constante durante una ventana de tropiezo.
tiempo predefinido. A. Selección de Ubicación
ST 1
DifAvg > 1
ST 2
Lasttwoavg< 1
Fall Los resultados del algoritmo propuesto se almacenaron en
una matriz de confusión [12]. Una matriz de confusión
permite visualizar el rendimiento del algoritmo en una tabla
DifAvg>Th DifAvg< 1. 5
que contiene todos los reales y los resultados detectados por el
Alarm sistema. La Tabla II muestra los resultados de los
Walk LasttwoAvg> 1 experimentos del algoritmo de selección de ubicación. Para
medir la eficiencia del sistema, se utilizó un indicador de
exactitud de rendimiento [13]. Esto se define en la Ecuación
Avg ≈ 0
Figura 5. Diagrama de Estado para Detectar Caídas.
= (3)
El algoritmo funciona de la siguiente manera. En primer
lugar, un total de 100 valores filtrados con el filtro de paso En la Tabla II y la Tabla III se compara la ubicación real del
alto de la magnitud del acelerómetro se dividen en cinco teléfono inteligente con la ubicación detectada por el
grupos (20 valores por grupo). Un valor promedio de cada algoritmo propuesto. Para la ubicación de bolsillo de camisa
grupo se calcula y se almacena en cinco variables temporales en el pecho, seis de los seis experimentos se detectan
(Avg1 , Avg2 , Avg3 , Avg4 , Avg5). Esto sólo se hace la correctamente. Sin embargo, siete experimentos fueron
primera vez que el algoritmo se ejecuta. Entonces, el primer detectados incorrectamente como ubicaciones de bolsillo de
estado es activado cuando la diferencia absoluta entre Avg1 y camisa en el pecho. Esto es una consecuencia de la similitud
Avg2 es mayor que el umbral especificado por la ubicación entre las señales generadas por las otras ubicaciones y la
actual (pecho, bolsillo del pantalón, funda protectora, ubicación bolsillo de camisa en el pecho. De las seis
actividad de escribir mensaje de texto, actividad de hablar, ubicaciones, la ubicación de escribir o leer mensajes de texto
dispositivo en la mano). El segundo estado es activado cuando es la que tiene la tasa de detección más alta debido a que el
la diferencia absoluta entre Avg2 y Avg3 es mayor que 1.0 y comportamiento de su señal es significativamente diferente a
el tercer y último estado es activado cuando Avg4 y Avg5 las demás.
permanecen aproximadamente en cero (amplitud) o cerca de
un valor especificado, el cual el tiempo es determinado por la B. Detección de Caídas
obtención de datos de Avg4 y Avg5 respectivamente. Si se Los resultados de los experimentos con el algoritmo
activaron los tres estados se detecta una caída. Si no se detecta propuesto también fueron grabados en una matriz de
una caída, los cinco actuales promedios se desplazan hacia la confusión. Estos resultados fueron clasificados como:
izquierda, es decir , Avg5 se copia en Avg4, Avg4 se copia en • Verdaderos Positivos (TP) : Número de caídas que se
Avg3, Avg3 se copia en Avg2 y Avg2 se copia en Avg1. detectaron como caídas.
Entonces, una nueva media se calcula utilizando 20 valores
nuevos y se almacena en Avg5.
VALCOURT et al.: SMARTPHONE-BASED HUMAN FALL 1015

• Verdaderos Negativos (TN) : Número de no caídas ON 0 0 3 3


que fueron detectados como no caídas. HAND
• Falsos Positivos (FP) : Número de no caídas que
fueron detectados como caídas. TOTAL 4 5 3 12
• Falsos Negativos (FN) : Número de caídas que
fueron detectados como no- caídas. TOTAL ACURRACY 72%
Aparte de la precisión, los siguientes indicadores de (TABLE II & TABLE
rendimiento fueron utilizados: III)

= (4)
+
TABLA IV. ACTIVIDAD DE ESCRIBIR O LEER MENSAJES DE
TEXTO.
= (5)
+ DETECTED
FALL NON-FALL TOTAL
= (6) REAL
+
Las siguientes tablas muestran los resultados de los FALL 5 TP 1 FN 6
experimentos basados en la ubicación del celular inteligente.
NON-FALL 0 FP 18 TN 18
TABLA II. SELECCIÓN DE UBICACIÓN, PRIMERA PARTE.
TOTAL 5 19
DETECTED ACCURACY 95.8%
RECALL 83%
CHEST PANT HOLSTER TOTAL PRECISION 100%
POCKET POCKET SPECIFICITY 100%

CHEST 6 0 0 6 La Tabla IV confirma lo presentado en la Tabla III, la


POCKET
actividad de escribir o leer mensajes de texto es la mejor
ubicación para detectar una caída. Cinco de cada seis caídas se
REAL detectaron correctamente. Ningún falso positivo se generó.
PANT 3 3 0 6
POCKET Todas las no-caídas se detectaron correctamente, y sólo uno de
los experimentos se detectó incorrectamente. La Tabla V
HOLSTER 1 0 5 6 también muestra los resultados del cálculo de los indicadores
de rendimiento antes mencionados. El resto de las tablas sigue
TALKING 2 0 0 2 el mismo análisis utilizado aquí.
TABLA V. BOLSILLO LATERAL DE UN PANTALÓN.
TEXTING 1 0 0 1
DETECTED
ON 0 0 3 3 FALL NON-FALL TOTAL
HAND REAL
FALL 6 TP 0 FN 6
TOTAL 10 3 5 24
NON-FALL 3 FP 15 TN 18

TABLA III. SELECCIÓN DE UBICACIÓN, SEGUNDA PARTE.


TOTAL 9 15
DETECTED
ACCURACY 87.5%
TALKING TEXTING ON TOTAL RECALL 100%
HAND
PRECISION 67%
CHEST 0 0 0 0 SPECIFICITY 83%
POCKET
TABLA VI. BOLSILLO FRONTAL DE CAMISA
REAL PANT 0 0 0 0
POCKET DETECTED
TOTAL
FALL NON-FALL
HOLSTER 0 0 0 0 REAL
FALL 6 TP 0 FN 6

TALKING 4 0 0 4
NON-FALL 4 FP 14 TN 18

TEXTING 0 5 0 5
TOTAL 10 14
1016 IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO. 2, FEB. 2016

ACCURACY 83.3% TOTAL 55 89


RECALL 100%
ACCURACY 81.3%
PRECISION 60%
RECALL 89%
SPECIFICITY 78%
PRECISION 58.2%
SPECIFICITY 79%
TABLA VII. ACTIVIDAD DE HABLAR POR TELÉFONO.
Aparte de los resultados presentados, un total de 17
DETECTED experimentos adicionales se llevaron a cabo utilizando solo la
TOTAL
FALL NON-FALL ubicación de la funda protectora con hombres entre las edades
REAL de 20 a 24 años. La ubicación es específicamente seleccionada
FALL 6 TP 0 FN 6 debido a que es comúnmente utilizada en la población de
personas de edad avanzada; se introdujo la localización del
NON-FALL 6 FP 12 TN 18
usuario al sistema. Para llevar a cabo estas pruebas dirigidas a
TOTAL 12 12
una sola ubicación, el algoritmo propuesto de selección de
ubicación fue modificado para que solo detectara la funda
ACCURACY 75%
protectora. Para obtener total éxito en esta ubicación, los
RECALL 100% valores fueron alterados a [ 2.5 > G > 1.0 ] a diferencia de los
PRECISION 50% valores originales, [2.0 > G > 1.3 ]. El porcentaje final de
SPECIFICITY 67% selección de ubicación que obtuvo el algoritmo modificado
propuesto fue de un total de 100%. El umbral determinado
TABLA VIII. CELULAR INTELIGENTE EN MANO. para esta ubicación también fue alterado a un valor de 2.3 para
DETECTED beneficio del algoritmo de detección de caídas. A
FALL NON-FALL TOTAL continuación, la Tabla XI se muestran los resultados finales.
REAL FALL 5 TP 1 FN 6 TABLA XI. FUNDA PROTECTORA – PRUEBAS NUEVAS.
NON-FALL 5 FP 13 TN 18
DETECTED
TOTAL 10 14
TOTAL
FALL NON-FALL
REAL
ACCURACY 75% FALL 8 TP 4 FN 12
RECALL 83% NON-FALL 2 FP 3 TN 5
PRECISION 50%
SPECIFICITY 72% TOTAL 10 7
ACCURACY 64.7%
TABLA IX. FUNDA PROTECTORA. RECALL 66.7%
DETECTED PRECISION 80%
FALL NON-FALL TOTAL
SPECIFICITY 60%
REAL
FALL 4 TP 2 FN 6
V. CONCLUSIÓN Y FUTURA INVESTIGACIÓN
NON-FALL 5 FP 13 TN 18 Este artículo presenta un enfoque para detectar caídas
TOTAL 9 15 basado en los datos obtenidos por sensores de un teléfono
ACCURACY 70.8% inteligente. Se proponen dos algoritmos: uno para identificar
RECALL 67% la ubicación de los teléfonos inteligentes con respecto al
PRECISION 44%
cuerpo del usuario y otro para detectar caídas. Un total de seis
SPECIFICITY 72%
opciones de ubicación se ofrece al usuario para llevar el
dispositivo: el bolsillo de la camisa en el pecho, el bolsillo
La tabla X resume los resultados de todos los experimentos. lateral del pantalón, una funda protectora, mientras una
La precisión global del sistema es de 81.3 %, claramente persona está hablando, mientras está escribiendo o leyendo un
afectada por el bajo rendimiento del algoritmo en la ubicación mensajes de texto, o si está caminando con el dispositivo en
de la funda protectora. una mano. Utilizando los ejes del acelerómetro y la magnitud
de la giroscopio, el algoritmo es capaz de determinar la
TABLA X. RESULTADOS TOTALES
ubicación del teléfono inteligente. Se detecta una caída cuando
DETECTED se dispararon tres factores desencadenantes. El primer factor
FALL NON-FALL TOTAL se activa cuando se detecta una amplitud de pico a pico
REAL anormal máxima. El factor dos se activa cuando el valor actual
FALL 32 TP 4 FN 36
promedio de la señal se estabiliza cerca de cero. El factor final
se activa (se detecta una caída) cuando un período de
NON- 23 FP 85 TN 108
FALL inactividad (valores de señal están cerca de cero) es constante
para una ventana de tiempo predefinida.
VALCOURT et al.: SMARTPHONE-BASED HUMAN FALL 1017

Un total de exactitud de 72% se obtuvo a partir de los Luis Valcourt received his B.Sc. in Computer Science from
Universidad de Puerto Rico, Bayamón, Puerto Rico in 2015.
experimentos de algoritmo de selección de ubicación, y una He has experience working with investigations related to
precisión del 81.3% se calculó a partir de los experimentos de green movement technologies and health related technology.
algoritmo de detección de caída. Los tres primeros lugares de During his last year, he dedicated his research and internship
detección de una caída son: actividad de leer o escribir with University of South Florida, Tampa Campus, developing an application
for detecting falls, explained in this paper. He is currently working with the
mensajes de texto con un 95.8% de precisión de detección de Department of Defense and pursuing a M.Sc. in Enginering Management
caída, bolsillo lateral del pantalón con una precisión del 87,5% from Old Dominion University. His research interests encompass but are not
y el bolsillo de la camisa en el pecho con una precisión del limited to data analytics, software development, and health related
83.3%. El rendimiento más bajo se exhibió en la ubicación de technologies.
la funda protectora porque los valores del acelerómetro no
Yueng de La Hoz received his B.Sc. in Electronics
cambian tan drásticamente como en otros lugares. Engineering from Universidad del Norte, Barranquilla,
Este trabajo se puede extender en varias formas para Colombia, in 2009. He has over two years of industry
realizar todo el potencial del sistema propuesto. Un sistema experience in the private sector, being involved in projects
relacionado con caídas depende de la singularidad de los related to VoIP systems, Cyber Marketing, and Software
Development. He received his M.Sc. in Computer Science in
patrones de movimiento del usuario. Estos, por desgracia, 2014 from the University of South Florida. He is currently pursuing a doctoral
cambian con el tiempo. El diseño del sistema tiene que ser lo degree in Computer Science from the University of South Florida. His
suficientemente robusto como para tomar en consideración los research interests encompass but are not limited to machine learning, big data
cambios en las características cinemáticas del usuario debido analytics, software development and networking.
al envejecimiento. La configuración de umbrales puede ser un
reto considerable. Los umbrales dependen del método Miguel Labrador received the M.S. in Telecommunications
and the Ph.D. degree in Information Science with
utilizado, el tipo de caída (caer hacia adelante, caer hacia concentration in Telecommunications from the University of
atrás, Pittsburgh, in 1994 and 2000, respectively. Since 2001, he has
etc.) y las características físicas del sujeto de interés. Las been with the University of South Florida, Tampa, where he
reglas que se aplican a una persona alta no suelen ser las is currently an Associate Professor in the Department of
Computer Science and Engineering and the Di- rector of the Graduate
mismas para una persona de baja estatura y viceversa. El Programs and the Research Experiences for Undergraduates Program. His
enfoque común es establecer un umbral que generaliza tanto research interests are in ubiquitous sensing, location-based services, energy-
como sea posible una población específica. EL consumo de la efficient mechanisms for wireless sensor networks, and design and
batería seria otro tema a investigar para mejorar la eficacia del performance evaluation of computer networks and communication protocols.
Dr. Labrador has served as Technical Program Committee member of many
sistema. IEEE conferences and is currently area editor of Computer Commu- nications
and editorial board member of the Journal of Network and Computer
VI. REFERENCIAS Applications, both Elsevier Science journals. Dr. Labrador is the lead author
of ”Location-Based Information Systems - Developing Real-Time Tracking
[1] Cdc.gov, “Falls Among Older Adults: An Overview.” Applications”, Taylor and Francis and ”Topology Control in Wireless Sensor
[2] Cdc.gov, “Public Health and Aging: Trends in Aging — United States Networks”, Springer. Dr. Labrador is senior member of the IEEE and member
and Worldwide.” of ACM, ASEE and Beta Phi Mu.
[3] M. A. Habib, M. S. Mohktar, S. B. Kamaruzzaman, K. S. Lim, T. M.
Pin, and F. Ibrahim, “Smartphone-based solutions for fall detection and
prevention: challenges and open issues,” Sensors, vol. 14, no. 4, pp.
7181–208, 2014.
[4] Pewinternet, “Mobile Technology Fact Sheet.”
[5] Alert-1.com, “Fall Detection Technology.”
[6] Medicalguardian.com, “Classic Guardian.”
[7] Vocare.com, “My SafetyButton Medical Alert,”
[8] A. Doulamis and N. Doulamis, “A real-time single-camera approach for
automatic fall detection,” in Proceedings of the conference on remote
sensing and spatial information sciences, (Newcastle), pp. 208–212,
ISPRS, 2010.
[9] S.-G. Miaou, “A customized human fall detection system using omni-
camera images and personal information,” in Proceedings of the 1st
transdisciplinary conference on distributed diagnosis and home health-
care, (Arlington), pp. 39–42, IEEE, 2006.
[10] S. Hwang and M. Ryu, “Fall detection with three-axis
accelerometer and magnetometer in a smartphone,” in Proceedings of the
international conference on computer science and technology, (Jeju), pp.
65–70, CST,2012.
[11] M. Kangas, A. Konttila, P. Lindgren, I. Winblad, and T. Jämsä,
“Comparison of low-complexity fall detection algorithms for body attached
accelerometers,” Gait & posture, vol. 28, no. 2, pp. 285–91, 2008.
[12] Uregina.ca, “Confusion Matrix.”
[13] O. D. Lara and M. A. Labrador, “A survey on human activity
recognition using wearable sensors,” IEEE Communications Surveys &
Tutorials, vol. 15, no. 3, pp. 1192–1209, 2013.
[14] L. Valcourt, Y. De La Hoz, and M. Labrador, “ Human Fall Detection
with Smartphones” , 2014.