การตรวจจับการล้มสำหรับผู้สูงอายุและจำแนกข้อมูลกิจกรรมการเคลื่อนไหวด้วยอัลกอริทึม Weighted k-Nearest neighbor บนระบบฝังตัวแบบพกพาที่ใช้ IoT Fall Detection for Elderly and Data Classification Movement Activity Using Weighted K-Nearest neighbor Algorithm on a IoT-based Portable Embedded System

Main Article Content

ชัยวุฒิ วุทธิสิทธิ์

Abstract

บทคัดย่อ


            การตรวจจับการล้มในผู้สูงอายุเป็นหัวข้อการวิจัยที่มีการพัฒนาอย่างต่อเนื่องซึ่งจะต้องมีการเฝ้าดูแลทางด้านสุขภาพของผู้สูงอายุอย่างใกล้ชิด การเฝ้าติดตามกิจกรรมการเคลื่อนไหวและตรวจจับการล้มที่ถูกต้องจึงมีความจำเป็นอย่างยิ่งเพื่อหลีกเลี่ยงอันตรายที่จะเกิดขึ้นกับผู้สูงอายุ ในบทความวิจัยนี้จึงได้พัฒนาอุปกรณ์ตรวจจับการล้มและจำแนกข้อมูลกิจกรรมการเคลื่อนไหวของผู้สูงอายุโดยใช้เทคโนโลยีอินเทอร์เน็ตของทุกสรรพสิ่ง เพื่อให้บุคลากรทางการแพทย์สามารถติดตามผู้สูงอายุที่มีความเสี่ยงที่จะเกิดการล้ม ร่วมกับการทำนายเหตุการณ์โอกาสที่จะเกิดการล้มด้วยวิธี Weight K-Nearest Neighbor และรายงานกิจกรรมการเคลื่อนไหวของผู้สูงอายุและตรวจจับการล้มผ่านเว็บของผู้ให้บริการคลาวด์ IoT รวมถึงการส่งข้อมูลเพื่อแจ้งเตือนการล้มไปยังบุคลากรทางการแพทย์ จากการทดสอบอุปกรณ์ตรวจจับการล้มและติดตามกิจกรรมการเคลื่อนไหวของผู้สูงอายุ พบว่าอุปกรณ์สามารถตรวจจับการล้มและแสดงผลการทำนายเหตุการณ์แนวโน้มที่จะเกิดการล้มได้ โดยผลการประเมินประสิทธิภาพการตรวจจับการล้มพบว่ามีค่าความถูกต้อง 85.80%  และค่าความแม่นยำ 92.48%  ในส่วนผลการทำนายแนวโน้มโอกาสที่จะเกิดการล้มจากกิจกรรมการเคลื่อนไหว โดยสามารถจำแนกข้อมูลผู้ที่มีความเสี่ยงที่จะเกิดการล้มด้วยค่าความไวเฉลี่ย 90.91% และผู้ที่ไม่มีความเสี่ยงที่จะเกิดการล้มด้วยค่าจำเพาะเฉลี่ย 98.98%  บทความวิจัยนี้ได้มุ่งเน้นให้เป็นอุปกรณ์ช่วยเหลือเบื้องต้นในภาวะฉุกเฉินที่บุคคลากรทางการแพทย์จะสามารถใช้เป็นข้อมูลอ้างอิงควบคู่กับการวินิจฉัยการล้มของผู้สูงอายุในลำดับต่อไปได้อย่างเหมาะสม


คำสำคัญ: การตรวจจับการล้ม ผู้สูงอายุ กิจกรรมการเคลื่อนไหว อินเทอร์เน็ตของทุกสรรพสิ่ง


Abstract


            Detection of falls in the elderly is a continuously developing research topic that requires close monitoring of the health of the elderly. Monitoring the movement activities and detecting the correct fall is, therefore, necessary to avoid the dangers that occur to the elderly. In this paper, we developed a device for detecting falls and classifying the activities of the elderly by using the Internet of Things. The aforementioned allows medical personnel to be able to track the elderlies who are at risk of falling together with predicting the likelihood of falling by the Weight K-Nearest Neighbor method. This system reports the elderly movement activity and detects the falling through the website of IoT cloud provider, including sending crash notification information to healthcare professionals. From testing the fall detection device and tracking the movement activities of the elderly, the device can detect the fall and show the prediction of the occurrence of the fall. The results of the fall detection performance showed that the accuracy of 85.80% and the accuracy of 92.48% in the prediction of the likelihood of falling due to the movement activities. It can classify data of people who are at risk of falling with an average sensitivity of 90.91% and people without the risk of falling with a specific average of 98.98%. In case of an emergency, the medical personnel can use this information as a reference in association with the proper diagnosis of falls in the elderly. 


 Keywords: fall detection, elderly, movement activity, internet of things.

Article Details

Section
Articles

References

[1] Department of the Interior. Population in thailand 2017 (with information number of provinces, districts, villages) [Internet].2017 [cited 2019 March12];Available from: http://www.zcooby.com/2017-thailand-information-number- statistics/(in Thai)
[2] Kitomprayoonkun V. Falling and prevention.association of rehabilitation medicine thailand [Internet]. 2009 [cited 2019 March 26]. Available from:http://rehabmed.or.th/assoc/as_thai/news_
detail.php?news_id=232 (in Thai)
[3] Hwang K, Chen M. Big-data analytics for cloud, IoT and cognitive computing.John Wiley & Sons; 2017 Aug 14.
[4] Ashok M, Varma PS, Sundari MR. IoT based monitoring and control system for home automation. International Journal of Engineering Technology Science and Research (IJETSR). 2017 Nov;4(11).
[5] Kubat M. An introduction to machine learning. Cham, Switzerland :Springer International Publishing;2017 Sep 2.
[6] Chotavanich T. Embedded systems for detecting falling whilebathing camera that maintains privacy. Master of Engineering Thesis, University of Electrical Engineering Rajabhat Songkhla, 2012.(in Thai)
[7] Lamsamran P. Tracking system elderly using a wireless network [Internet].2016 [cited 2019 Apirl 23]. Available from : http:// digital_ collect, lib.buu.ac.thf/dcms/files/55910292.pd.
[8] Natthawin V. Arduino based fall detection and alert system. Bachelor of Engineering (Hons) (Electrical and Electronic) University Technology. Petronas Malaysia; 2016.
[9] El-Bendary N, Tan Q, Pivot FC, Lam A. Fall detection and prevention for the elderly : a review of trends and challenges. International Journal on Smart Sensing & Intelligent Systems.2013 Jun 1;6(3).
[10] He J, Hu C, Wang X. A smart device enabled system for autonomous fall detection and alert. International Journal of Distributed Sensor Networks.2016 Feb17;12(2):2308183.
[11] Li P, Gou J, Yang H. The distance-weighted k-nearest centroid neighbor classification.J. Intell. Inf. Hiding Multimedia Sig.Process. 2017;8(3):611-22.
[12] Aguilera J, González LC, Montes-y-Gómez M, Rosso P. A new weighted k-nearest neighbor algorithm based on newton’s gravitational force. InIberoamerican Congress on Pattern Recognition 2018 Nov 19(pp. 305-313). Springer, Cham.
[13] Abisoye BO, Kolo JG, Jimoh NO, Abisoye OA, Ajao LA. Development of an smsbased wearable fall detection system.
[14] Venus Supply Company Limited. Espwroom32 WiFi serial transceiver module [Internet]. [cited 2019 May 30]Copyright ThaiEasyElec.com (in Thai)
[15] Arduino CC. Arduino introduction. Arduino,[Online]. Available : http://arduino.cc/en/guide/introduction. 2015 Aug.
[16] RobotSiam Channel. Installation Arduino core for esp32 WiFi chip [Internet].2017[cited 2019 March 3]. Available from : https:// robotsiam. blogspot .com/2017/09/arduino-core-foresp32. html(in Thai)
[17] Commanrone Electronics for you. Use of gy521 mpu6050 [Internet]. [cited 2019 May 20] Accessiblefrom:http://commandronestore.com/learning/gy521_001.php (in Thai)
[18] Dziak D, Jachimczyk B, Kulesza W. IoTbased information system for healthcare application: design methodology approach.Applied Sciences. 2017 Jun 8;7(6):596.