Resumen

Las caídas son una de las principales causas de traumatismos, discapacidad y muerte entre las personas mayores. Los dispositivos basados en sensores inerciales son capaces de detectar caídas en entornos controlados. A menudo, este tipo de soluciones presenta un rendimiento deficiente en condiciones reales. El objetivo de este trabajo es el desarrollo de un algoritmo de bajo coste computacional para la extracción de características y la implementación de un esquema de aprendizaje automático para la detección de caídas de personas, mediante el uso de un acelerómetro inalámbrico triaxial MEMS. El enfoque propuesto permite generalizar la detección de caídas en diversas condiciones prácticas. Parece invariante a la edad, peso, altura de las personas, y al área de posicionamiento relativo (incluso en la parte superior de la cintura), superando los inconvenientes de los conocidos enfoques basados en umbrales en los que varios parámetros deben ser estimados manualmente de acuerdo con las características específicas del usuario final. Para limitar la carga de trabajo, se ha evitado el estudio específico del análisis de la postura y se utiliza una función kernel polinómica, manteniendo al mismo tiempo un alto rendimiento en términos de especificidad y sensibilidad. La etapa de agrupación supervisada se consigue implementando un clasificador de máquina de vectores de soporte de una clase en un PC autónomo.

• Materias:Sensores táctiles Sensores inalámbricos Sensor inteligente Nanosensores Sensores de fibra óptica
• Subjects:Tactile sensors Wireless sensors Intelligent sensor Nanosensors Fiber optic sensors
• Palabras claves:clasificador de máquina de vectores de soporte de clase, acelerómetro inalámbrico triaxial mems wearable, función kernel polinómica, área de posicionamiento relativo, varias condiciones prácticas, paso de agrupamiento supervisado, detección, personas, sensores inerciales, pc solo
• Keywords:class support vector machine classifier, triaxial mems wearable wireless accelerometer, polynomial kernel function, relative positioning area, several practical conditions, supervised clustering step, detection, people, inertial sensors, alone pc