Akuta Fall anmälaren med panik-knappen (2 / 17 steg)
Steg 2: Höst upptäckt algoritm
Med tanke på kommersialisering som ofta omger hälso-relaterade frågor, det finns omfattande forskning i akademiska arenan kring höst upptäckt för äldre. Majoriteten av denna forskning är inriktad på att utforma nya mer framgångsrika algoritmer för att skilja fall från icke-faller. Forskare inom detta område använder vanligtvis en eller två sensorer att extrahera data, utveckla och testa sina algoritmer. Den första metoden använder accelerometrar för att upptäcka acceleration längs en viss axel. När övervakning för en stor acceleration från en tri-axlig accelerometer, ser oftast de omfattning vektorn inte till var och en av axlarna separat. Ett annat tillvägagångssätt använder både accelerometer & gyroskop som mäter acceleration och orientering förändring och är mer exakt jämfört med första.
Min algoritm baseras bort konceptet att under hösten, en person upplever en tillfällig fritt fall eller nedsättning av acceleration, följt av en stor stegring i acceleration, sedan en förändring i orientering. Flödesschema för algoritmen ges nedan. Vi finns i algoritmen kontrollerar om acceleration omfattningen (AM) bryter ett set lägre tröskelvärde. Om den lägre tröskeln är trasigt, kontrollerar algoritmen då om är bryter ett set övre tröskelvärde inom 0.5s. Om detta övre tröskelvärde är trasig, kontrollerar algoritmen som sedan om personens läggning har ändrats i ett angivet intervall inom 0.5s, som skulle tyda på en person har fallit eller störtade. Om personens läggning har förändrats, undersöker algoritmen då för att se om det riktningen återstår efter 10s, vilket visar att personen är orörlig i sin fallna position på marken. Om detta stämmer, algoritmen känner igen detta som ett fall. Fel på någon av de mellanliggande beslut med villkor skulle återställa triggers och skicka dig tillbaka till början. Styrkan i denna algoritm är att den kräver en verksamhet att bryta två AM trösklar och ha en orientering förändring. Idealiskt skulle detta ytterligare lägre tröskelvärde minska antalet falska positiva. Svagheten i denna algoritm är att den kräver nedgången till innebär en orientering ändring.