תכנון וניתוח של מערכת גילוי סתיו פישוט
Summary
אנו מציגים מתודולוגיה המבוססת על חיישנים רב מודאליים כדי לקבוע תצורה פשוטה, נוחה ומהירה של מערכת זיהוי הפעילות האנושית. המטרה היא לבנות מערכת לזיהוי סתיו מדויק שניתן ליישם ולאמץ בקלות.
Abstract
נייר זה מציג מתודולוגיה המבוססת על חיישנים רב מודאליים כדי לקבוע תצורה פשוטה, נוחה ומהירה של איתור ומערכת זיהוי הפעילות האנושית שניתן ליישם ולאמץ בקלות. המתודולוגיה מבוססת על התצורה של סוגים ספציפיים של חיישנים, שיטות לימוד מחשב ופרוצדורות. הפרוטוקול מחולק לארבעה שלבים: (1) יצירת מסדי נתונים (2) ניתוח מערכת (3) פישוט המערכת ו (4) הערכה. באמצעות מתודולוגיה זו, יצרנו מסד נתונים רב-מודאלי עבור זיהוי נפילות וזיהוי של פעילות אנושית, כלומר זיהוי מעלה-נפילה. היא כוללת דגימות נתונים מ -17 נושאים המבצעים 5 סוגים של נפילות 6 פעילויות פשוטות שונות, במהלך 3 מבחנים. כל המידע נאסף באמצעות 5 חיישנים לבישים (משולש ציר תאוצה, גירוסקופ ועוצמת אור), 1 הקסדה אלקטרונצלגרף, 6 חיישני אינפרא אדום כמו חיישנים הסביבה, ו 2 מצלמות בנקודות מבט לרוחב וחזית. מתודולוגיית הרומן המוצעת מוסיפה כמה שלבים חשובים כדי לבצע ניתוח עמוק של בעיות העיצוב הבאות כדי לפשט את מערכת גילוי הנפילות: a) לבחור אילו חיישנים או שילוב של חיישנים יש להשתמש במערכת זיהוי נפילה פשוטה, b) לקבוע את המיקום הטוב ביותר של מקורות מידע, ו c) לבחור את השיטה המתאימה ביותר למידה מחשב שיטת ליפול וזיהוי הפעילות האנושית והכרה. למרות שמספר גישות מודאליות שדווחו בספרות מתמקדות רק באחד או שניים מהנושאים הנ ל, המתודולוגיה שלנו מאפשרת בו במקביל לפתור את שלוש בעיות העיצוב הקשורות לירידה ולזיהוי הפעילות ומערכת הזיהוי של האדם.
Introduction
מאז תופעת העולם של הזדקנות האוכלוסייה1, השכיחות בסתיו גדל והוא נחשב בעצם בעיה בריאותית מרכזית2. כאשר מתרחשת נפילה, אנשים זקוקים לתשומת לב מיידית כדי להפחית את ההשלכות השליליות. מערכות זיהוי נפילות יכולות להקטין את משך הזמן שבו אדם מקבל טיפול רפואי בשליחת התראה כאשר מתרחשת נפילה.
קיימות חלוקה לקטגוריות שונות של מערכות לגילוי נפילות3. עבודות מוקדמות4 סיווג מערכות זיהוי נפילות לפי שיטת הזיהוי שלהם, שיטות אנליטיות בערך ושיטות למידה ממוחשבת. לאחרונה, סופרים אחרים3,5,6 נחשבו חיישני רכישת נתונים כתכונה העיקרית לסווג גלאי נפילות. איגואל ואח ‘3 מחלק את מערכות גילוי הנפילות למערכות התומכות בהקשר, הכוללות גישות ראייה והסביבה מבוססות חיישנים ומערכות התקנים לבישים. מושיר ואח ‘5 מסווג גלאי נפילות לשלוש קבוצות המבוססות על המכשירים המשמשים לרכישת נתונים: התקנים לבישים, חיישני אווירה והתקנים מבוססי-ראייה. פרי ואח ‘6 שיטות למדידת האצה, שיטות למדידת תאוצה בשילוב עם שיטות אחרות ושיטות שאינן מדידת תאוצה. מסקרים אלה ניתן לקבוע שחיישנים ושיטות הם המרכיבים העיקריים לסיווג אסטרטגיית המחקר הכללית.
לכל אחד מהחיישנים יש חולשות ועוצמות שנדונו ב-Xu ואח ‘7. חזון מבוססי גישות בעיקר להשתמש במצלמות רגילות, חיישן עומק מצלמות, ו/או מערכות לכידת תנועה. מצלמות אינטרנט רגיל הם בעלות נמוכה וקלה לשימוש, אבל הם רגישים לתנאים סביבתיים (וריאציה אור, חסימה, וכו ‘), ניתן להשתמש רק בחלל מופחת, ויש להם בעיות פרטיות. מצלמות עומק, כגון Kinect, לספק מלאה גוף תלת-ממד תנועה7 ו מושפעים פחות על-ידי תנאי תאורה מאשר מצלמות רגילות. עם זאת, גישות המבוססות על Kinect הם לא חזקים כמו ואמין. מערכות לכידת תנועה יקרות יותר וקשה לשימוש.
גישות המבוססות על מכשירי תאוצה וטלפונים חכמים/שעונים עם מדידת התאוצה מובנית משמשים בדרך כלל עבור זיהוי סתיו. החיסרון העיקרי של התקנים אלה הוא שהם צריכים להיות שחוקים לתקופות ארוכות. אי נוחות, החלטיות, מיקום הגוף ואוריינטציה הם בעיות עיצוב להיפתר בגישות אלה. למרות טלפונים חכמים ושעונים חכמים הם פחות פולשנית התקנים כי חיישנים, אנשים מבוגרים לעתים קרובות לשכוח או לא תמיד ללבוש את המכשירים האלה. עם זאת, היתרון של חיישנים והתקנים אלה הוא שניתן להשתמש בהם בחדרים רבים ו/או בחוץ.
מערכות מסוימות משתמשות בחיישנים שהונחו סביב הסביבה כדי לזהות נפילות/פעילויות, כך שאנשים לא צריכים לענוד את החיישנים. עם זאת, חיישנים אלה מוגבלים גם למקומות שבהם הם פרוסים8 ולעיתים קשה להתקנה. לאחרונה, מערכות זיהוי נפילות מודאליות כוללות צירופים שונים של ראייה, חיישנים לבישים וסביבתי כדי להשיג דיוק וחוסן יותר. הם יכולים גם להתגבר על חלק ממגבלות חיישן יחיד.
המתודולוגיה המשמשת לגילוי הנפילה קשורה קשר הדוק עם שרשרת זיהוי הפעילות האנושית (ARC) שהוצגה על ידי בולינג ואח ‘9, המורכבת משלבים עבור רכישת נתונים, מראש האות עיבוד ופילוח, תכונה החילוץ והבחירה, הדרכה וסיווג. יש לפתור בעיות עיצוב עבור כל אחד משלבים אלה. שיטות שונות משמשות בכל שלב.
אנו מציגים מתודולוגיה המבוססת על חיישנים רב מודאליים כדי לקבוע תצורה פשוטה, נוחה ומהירה של נפילה אנושית ומערכת זיהוי של פעילות אנושית. המטרה היא לבנות מערכת לזיהוי סתיו מדויק שניתן ליישם ולאמץ בקלות. מתודולוגיה הרומן המוצעת מבוססת על ARC, אבל זה מוסיף כמה שלבים חשובים כדי לבצע ניתוח עמוק של הבעיות הבאות כדי לפשט את המערכת: (א) לבחור אילו חיישנים או שילוב של חיישנים יש להשתמש במערכת זיהוי נפילה פשוטה; (ב) לקבוע את המיקום הטוב ביותר של מקורות המידע; ו-(ג) בחר את שיטת סיווג הלמידה המתאימה ביותר עבור זיהוי נפילות והכרה בפעילות אנושית כדי ליצור מערכת פשוטה.
ישנן כמה עבודות קשורות בספרות המתייחסות לאחד או שניים מנושאי העיצוב הנ ל, אך לידיעתנו, אין עבודה המתמקדת במתודולוגיה להתגבר על כל הבעיות הללו.
עבודות קשורות משתמשות בגישות מרובת-מודאליות לזיהוי נפילות ולזיהוי הפעילות האנושית10,11,12 כדי לקבל חסינות ולהגדיל את הדיוק. Kwolek ואח ‘10 הציע את העיצוב והיישום של מערכת זיהוי נפילה המבוססת על נתוני האצות ומפות עומק. הם תכננו מתודולוגיה מעניינת שבה מיושם תאוצה של שלושה צירים כדי לזהות נפילה פוטנציאלית כמו גם את התנועה של האדם. אם מדידת התאוצה חורגת מסף, האלגוריתם מחלץ אדם שונה את מפת העומק ממפת ההפניה המקוונת המעודכנת. ניתוח של עומק ושילובי תאוצה נעשה באמצעות מסווג תמיכה וקטורי מחשב.
Ofli ואח ‘11 הציג מסד נתונים מרובה מודאלי פעולה של האדם (mhad) כדי לספק גנט עבור מערכות חדשות לזיהוי פעילות האדם. ערכת הנתונים חשובה מאז הפעולות נאספו בו באמצעות 1 מערכת לכידת תנועה אופטית, 4 מצלמות multi-view, 1 מערכת Kinect, 4 מיקרופונים, ו 6 האצות אלחוטי. המחברים הציגו תוצאות עבור כל מודאליות: Kinect, את mocap, תאוצה, ואת האודיו.
דובגאן ואח ‘12 הציע אב טיפוס לגילוי התנהגות חריגה, כולל נפילות, בקשישים. הם תכננו בדיקות לשלוש מערכות חיישנים כדי למצוא את הציוד המתאים ביותר לירידה וגילוי התנהגות יוצאת דופן. הניסוי הראשון מורכב מנתונים ממערכת חיישן חכם עם 12 תגים מחוברים הירכיים, הברכיים, הקרסוליים, פרקי הידיים, המרפקים והכתפיים. הם יצרו גם ערכת נתונים מבחן באמצעות אחד Ubisense חיישן המערכת עם ארבעה תגים מחוברים המותניים, החזה ושני הקרסוליים, ותאוצה אחד Xsens. בניסוי שלישי, ארבעה נושאים להשתמש רק במערכת Ubisense בעת ביצוע 4 סוגים של נפילות, 4 בעיות בריאות כהתנהגות חריגה ופעילות שונה של היומיום (ADL).
עבודות אחרות בספרות13,14,15 לטפל בבעיה של מציאת המיקום הטוב ביותר של חיישנים או התקנים עבור זיהוי נפילה השוואת ביצועים של צירופים שונים של חיישנים עם מספר מסווג. Santoyo ואח ‘13 הציג הערכה שיטתית הערכה את החשיבות של מיקום 5 חיישנים לגילוי הנפילה. הם השוו את הביצועים של שילובים אלה חיישן באמצעות שכנים k-הקרוב (KNN), תמיכה מכונות וקטורים (SVM), נאיבי Bayes (NB) ו החלטות עץ (DT) מסווג. הם מסיקים כי המיקום של החיישן בנושא יש השפעה חשובה על הביצועים בגלאי הסתיו ללא תלות המסווג המשמש.
השוואה של מיקומי חיישנים לבישים על הגוף לאיתור נפילה הוצגה על ידי Özdemir14. כדי לקבוע מיקום חיישן, ניתח המחבר 31 שילובים חיישן של התפקידים הבאים: ראש, מותניים, החזה, יד ימין, קרסול ימין הירך הימנית. 14 מתנדבים ביצעו 20 נפילות מדומה ו -16 ADL. הוא גילה כי הביצועים הטובים ביותר הושגו כאשר חיישן יחיד ממוקם על המותניים מתוך ניסויים אלה שילוב ממצה. השוואה נוספת הוצגה על ידי Ntanasis15 באמצעות ערכת הנתונים של Özdemir’s. המחברים השוו תנוחות בודדות על הראש, החזה, המותניים, פרק כף היד, הקרסול והירך באמצעות המאלף הבאים: J48, KNN, RF, ועדה אקראית (RC) ו-SVM.
בחינות של ביצועים של שיטות חישוביות שונות לזיהוי סתיו ניתן למצוא גם בספרות16,17,18. Bagala et al.16 הציג השוואה שיטתית כדי בחינת ביצועים של שלוש שיטות לזיהוי נפילות שנבדקו על נפילות אמיתיות. הם החשיבו רק אלגוריתמים המבוססים על מדידות תאוצה שהונחו על המותניים או הגזע. Bourke et al.17 העריכו את הביצועים של חמישה אלגוריתמים אנליטיים לאיתור נפילות באמצעות ערכת נתונים של adls ונופל מבוסס על קריאות תאוצה. Kerdegari18 עשה גם השוואה של הביצועים של מודלים סיווג שונים עבור קבוצה של נתוני האצת מוקלט. האלגוריתמים ששימשו לגילוי הנפילות היו zeroR, oneR, NB, DT, רב-שכבתי פרספטרון ו-SVM.
מתודולוגיה לאיתור נפילות הוצע על ידי Alazrai ואח ‘18 תוך שימוש בתנועה מתאר גיאומטרי כדי לבנות ייצוג המבוסס על היסטוגרמה מצטברת של פעילות אנושית. הם העריכו את המסגרת באמצעות ערכת נתונים שנאסף עם חיישנים Kinect.
לסיכום, מצאנו הקשורות בנפילות מודאליות עבודות בנושא10,11,12 השוואת הביצועים של שילובים שונים של שיטות. חלק מהמחברים מטפלים בבעיה של מציאת המיקום הטוב ביותר של חיישנים13,14,15, או שילובים של חיישנים13 עם מספר מסווג13,15,16 עם חיישנים מרובים של מודאליות זהה ו התאוצה. לא נמצאה עבודה בספרות שכתובת מיקום, צירופים מודאליים ובחינת ביצועים של מסווג בו.
Protocol
Representative Results
Discussion
מקובל להיתקל באתגרים כתוצאה מבעיות סינכרון, הארגון וחוסר עקביות בנתונים20 בעת יצירת ערכת נתונים.
סינכרון
ברכישת נתונים, בעיות סינכרון עולות בהתחשב כי חיישנים מרובים בדרך כלל לעבוד בקצבי דגימה שונים. חיישנים עם תדרים גבוהים יותר אוספים יותר נתונים מאלה עם תדרים נמוכים יותר. לפיכך, נתונים ממקורות שונים לא יוכו כראוי. גם אם חיישנים פועלים באותם קצבי דגימה, ייתכן שהנתונים לא יהיו מיושרים. בהקשר זה, ההמלצות הבאות עשויות לסייע בטיפול בבעיות סינכרון אלה20: (i) אוגר חותמת זמן, נושא, פעילות ומשפט בכל דגימת נתונים שמתקבלת מהחיישנים; (ii) מקור המידע העקבי והפחות תכוף שיש להשתמש בו כאות התייחסות לסנכרון; ו (iii) להשתמש אוטומטי או חצי אוטומטי הליכים כדי לסנכרן הקלטות וידאו כי בדיקה ידנית לא מעשי.
עיבוד מקדים של נתונים
ניתן גם לבצע עיבוד מקדים של נתונים, והחלטות קריטיות משפיעות על תהליך זה: (א) קובעים את השיטות לאחסון נתונים וייצוג נתונים של מקורות מרובים והטרוגנית (ב) להחליט על הדרכים לאחסן נתונים במחשב המארח המקומי או בענן (c) לבחור את ארגון הנתונים, לרבות שמות הקבצים והתיקיות (d) לטפל בערכים חסרים של נתונים , בין היתר. בנוסף, עבור ענן הנתונים, האפשרות אגירה מקומית מומלצת כאשר ניתן להקטין את אובדן הנתונים בזמן ההעלאה.
חוסר עקביות בנתונים
חוסר עקביות בנתונים נפוץ בין ניסויים באיתור וריאציות בגודלי דגימת נתונים. סוגיות אלה קשורות לרכישת נתונים בחיישנים לבישים. הפסקות קצרות של רכישת נתונים והתנגשות נתונים מחיישנים מרובים מובילה לחוסר עקביות בנתונים. במקרים אלה, אלגוריתמים לזיהוי עקביות חשובים לטיפול בכשל מקוון בחיישנים. חשוב להדגיש כי יש לנטר התקנים מבוססי-אלחוט לעתים קרובות במהלך הניסוי. סוללה חלשה עלולה להשפיע על הקישוריות ולגרום לאובדן נתונים.
אתית
הסכמה להשתתפות ואישור אתי הינם חובה בכל סוג של ניסויים שבהם אנשים מעורבים.
בנוגע למגבלות מתודולוגיה זו, חשוב לשים לב שהוא מיועד לגישות הנוגעות לשיטות שונות לאיסוף מידע. המערכות יכולות לכלול חיישנים לבישים, הסביבה ו/או ראייה. הוא הציע לשקול את צריכת החשמל של התקנים ואת החיים של סוללות בחיישנים מבוססי אלחוטית, בשל הבעיות כגון אובדן של איסוף נתונים, צמצום הקישוריות ואת צריכת החשמל במערכת כולה. כמו-כן, מתודולוגיה זו מיועדת למערכות המשתמשות בשיטות למידה ממוחשבת. ניתוח של הבחירה של מודלים אלה למידה מחשב צריך להתבצע מראש. חלק מהמודלים האלה יכולים להיות מדויקים, אבל מאוד זמן וצריכת אנרגיה. החלפה בין שערוך מדויק וזמינות משאבים מוגבלת למחשוב בדגמי מחשבים חייבת להילקח בחשבון. חשוב גם להתבונן כי באיסוף הנתונים של המערכת נערכו הפעילויות באותו סדר; גם, מבחנים בוצעו באותו רצף. מטעמי בטיחות, מזרן הגנה שימש לנושאים ליפול על. בנוסף, המפלים הינם בעלי יוזמה עצמית. זהו הבדל חשוב בין מדומה למפלים האמיתיים, אשר מתרחשים בדרך כלל לעבר חומרים קשים. במובן זה, ערכת נתונים זו נרשמה נופל עם תגובה אינטואיטיבית מנסה לא ליפול. כמו-כן, קיימים מספר הבדלים בין המפלים האמיתיים באנשים קשישים או לקויי לקוי והדמיה נופלת; ואלה יש לקחת בחשבון בעת עיצוב מערכת זיהוי סתיו חדש. מחקר זה היה ממוקד על אנשים צעירים ללא כל ליקויי, אבל זה מדהים לומר כי הבחירה של נושאים צריך להיות מיושר למטרה של המערכת ואת אוכלוסיית היעד שישתמשו בו.
מתוך העבודות הקשורות המתוארות מעל10,11,12,13,14,15,16,17,19, אנו יכולים להבחין כי קיימים מחברים המשתמשים בגישות רב-מודאליות התמקדות בקבלת גלאי נפילות חזקים או התמקדות במיקום או בביצועים של המסווג. מכאן, הם מטפלים רק אחד או שניים של בעיות העיצוב עבור זיהוי נפילה. המתודולוגיה שלנו מאפשרת לפתור בו שלוש בעיות העיצוב העיקרי של מערכת זיהוי נפילה.
לעבודה בעתיד, אנו ממליצים לעצב וליישם מערכת איתור מודלית פשוטה המבוססת על הממצאים שהתקבלו לאחר מתודולוגיה זו. עבור אימוץ העולם האמיתי, למידה העברה, סיווג הירארכי וגישות למידה עמוקה יש להשתמש לפיתוח מערכות חזקות יותר. ההטמעה שלנו לא שוקלת מדדים איכותניים של מודלים למידה ממוחשבת, אך משאבי מיחשוב בזמן אמת ומוגבלים צריכים להילקח בחשבון לצורך פיתוח נוסף של נפילות ומערכות זיהוי של האדם והפעילות. לבסוף, כדי לשפר את ערכת הנתונים שלנו, מועד או כמעט נפילה פעילויות וניטור בזמן אמת של מתנדבים במהלך חיי היומיום שלהם יכול להיחשב.
Disclosures
The authors have nothing to disclose.
Acknowledgements
מחקר זה מומן על ידי אוניברסיצ פאנאמריקאנה באמצעות המענק “פונטו a la חקירה עד 2018”, תחת פרויקט קוד UP-CI-2018-ING-MX-04.
Materials
| Inertial measurement wearable sensor | Mbientlab | MTH-MetaTracker | Tri-axial accelerometer, tri-axial gyroscope and light intensity wearable sensor. |
| Electroencephalograph brain sensor helmet MindWave | NeuroSky | 80027-007 | Raw brainwave signal with one forehand sensor. |
| LifeCam Cinema video camera | Microsoft | H5D-00002 | 2D RGB camera with USB cable interface. |
| Infrared sensor | Alean | ABT-60 | Proximity sensor with normally closed relay. |
| Bluetooth dongle | Mbientlab | BLE | Dongle for Bluetooth connection between the wearable sensors and a computer. |
| Raspberry Pi | Raspberry | Version 3 Model B | Microcontroller for infrared sensor acquisition and computer interface. |
| Personal computer | Dell | Intel Xeon E5-2630 v4 @2.20 GHz, RAM 32GB |
References
- United Nations. World Population Prospects: The 2017 Revision, Key Findings and Advance Tables. United Nations. Department of Economic and Social Affairs, Population Division. , (2017).
- World Health Organization. Ageing, and Life Course Unit. WHO Global Report on Falls Prevention in Older Age. , (2008).
- Igual, R., Medrano, C., Plaza, I. Challenges, Issues and Trends in Fall Detection Systems. Biomedical Engineering Online. 12 (1), 66 (2013).
- Noury, N., et al. Fall Detection-Principles and Methods. 2007 29th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. , 1663-1666 (2007).
- Mubashir, M., Shao, L., Seed, L. A Survey on Fall Detection: Principles and Approaches. Neurocomputing. 100, 144-152 (2002).
- Perry, J. T., et al. Survey and Evaluation of Real-Time Fall Detection Approaches. Proceedings of the 6th International Symposium High-Capacity Optical Networks and Enabling Technologies. , 158-164 (2009).
- Xu, T., Zhou, Y., Zhu, J. New Advances and Challenges of Fall Detection Systems: A Survey. Applied Sciences. 8 (3), 418 (2018).
- Rougier, C., Meunier, J., St-Arnaud, A., Rousseau, J. Robust Video Surveillance for Fall Detection Based on Human Shape Deformation. IEEE Transactions on Circuit Systems for Video Technologies. 21, 611-622 (2011).
- Bulling, A., Blanke, U., Schiele, B. A Tutorial on Human Activity Recognition Using Body-Worn Inertial Sensors. ACM Computing Surveys. 46 (3), 33 (2014).
- Kwolek, B., Kepski, M. Human Fall Detection on Embedded Platform Using Depth Maps and Wireless Accelerometer. Computational Methods and Programs in Biomedicine. 117, 489-501 (2014).
- Ofli, F., Chaudhry, R., Kurillo, G., Vidal, R., Bajcsy, R. Berkeley MHAD: A Comprehensive Multimodal Human Action Database. Proceedings of the 2013 IEEE Workshop on Applications of Computer Vision. , 53-60 (2013).
- Dovgan, E., et al. Intelligent Elderly-Care Prototype for Fall and Disease Detection. Slovenian Medical Journal. 80, 824-831 (2011).
- Santoyo-Ramón, J., Casilari, E., Cano-García, J. Analysis of a Smartphone-Based Architecture With Multiple Mobility Sensors for Fall Detection With Supervised Learning. Sensors. 18 (4), 1155 (2018).
- Özdemir, A. An Analysis on Sensor Locations of the Human Body for Wearable Fall Detection Devices: Principles and Practice. Sensors. 16 (8), 1161 (2016).
- Ntanasis, P., Pippa, E., Özdemir, A. T., Barshan, B., Megalooikonomou, V. Investigation of Sensor Placement for Accurate Fall Detection. International Conference on Wireless Mobile Communication and Healthcare. , 225-232 (2016).
- Bagala, F., et al. Evaluation of Accelerometer-Based Fall Detection Algorithms on Real-World Falls. PLoS One. 7, 37062 (2012).
- Bourke, A. K., et al. Assessment of Waist-Worn Tri-Axial Accelerometer Based Fall-detection Algorithms Using Continuous Unsupervised Activities. Proceedings of the Annual International Conference of the IEEE Engineering in Medicine and Biology Society. , 2782-2785 (2010).
- Kerdegari, H., Samsudin, K., Ramli, A. R., Mokaram, S. Evaluation of Fall Detection Classification Approaches. 4th International Conference on Intelligent and Advanced Systems. , 131-136 (2012).
- Alazrai, R., Mowafi, Y., Hamad, E. A Fall Prediction Methodology for Elderly Based on a Depth Camera. 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. , 4990-4993 (2015).
- Peñafort-Asturiano, C. J., Santiago, N., Núñez-Martínez, J. P., Ponce, H., Martínez-Villaseñor, L. Challenges in Data Acquisition Systems: Lessons Learned from Fall Detection to Nanosensors. 2018 Nanotechnology for Instrumentation and Measurement. , 1-8 (2018).
- Martínez-Villaseñor, L., et al. UP-Fall Detection Dataset: A Multimodal Approach. Sensors. 19 (9), 1988 (2019).
- Rantz, M., et al. Falls, Technology, and Stunt Actors: New approaches to Fall Detection and Fall Risk Assessment. Journal of Nursing Care Quality. 23 (3), 195-201 (2008).
- Lachance, C., Jurkowski, M., Dymarz, A., Mackey, D. Compliant Flooring to Prevent Fall-Related Injuries: A Scoping Review Protocol. BMJ Open. 6 (8), 011757 (2016).
