IoT Prism Lab
Research Lab at University of Bologna
Research Lab at University of Bologna
Theses
2017 |
Santarelli, Giacomo Progettazione e sviluppo di un sistema di Fall Detection Low Energy Masters Thesis 2017. Abstract | Links | BibTeX | Tags: Fall Detection, Low Energy, Sistema Indossabile @mastersthesis{amslaurea14868, title = {Progettazione e sviluppo di un sistema di Fall Detection Low Energy}, author = {Giacomo Santarelli}, url = {https://amslaurea.unibo.it/id/eprint/14868}, year = {2017}, date = {2017-01-01}, abstract = {La costante crescita di eventi di caduta che incorrono in persone appartenenti alla porzione di popolazione cosiddetta “anziana” (over 65), è un fenomeno che sta destando particolare preoccupazione nella società. Per questo motivo la ricerca, negli ultimi anni, si sta concentrando sulla progettazione di sistemi in grado di riconoscere in maniera automatica queste particolari situazioni così da poter favorire un pronto soccorso alle vittime. Il lavoro di tesi riguarda la progettazione e realizzazione di un sistema indossabile di rilevamento delle cadute, rivolto ad un target di popolazione over 65, che permette di raggiungere un buon compromesso fra accuratezza dei risultati e consumi energetici. Il dispositivo comprensivo di un modulo BLE, un accelerometro triassiale e un giroscopio triassiale, permette di riconoscere un evento di caduta basandosi sull' accelerazione, la postura e la velocità angolare che subisce il corpo durante determinate situazioni. Al riconoscimento di un evento di caduta, il device interagisce (attraverso una connessione Bluetooth Low Energy) con un'applicazione smartphone che ha il compito di instradare queste segnalazioni, comprensive di informazioni posizionali, ad un gruppo di contatti prestabiliti attraverso l'ausilio di un cloud service. Il raggiungimento di un moderato consumo energetico è stato possibile analizzando e configurando in maniera ottimale i valori di campionamento dei sensori e la frequenza di clock del microcontrollore. I risultati dei test, condotti da 10 persone che hanno simulato 19 differenti attività di vita quotidiana e 15 diversi tipi di cadute, dimostrano che l'algoritmo di Fall Detection proposto presenta un'elevata sensibilità (97,1%) e specificità (98,7%), indice di un corretto e affidabile funzionamento del sistema.}, keywords = {Fall Detection, Low Energy, Sistema Indossabile}, pubstate = {published}, tppubtype = {mastersthesis} } La costante crescita di eventi di caduta che incorrono in persone appartenenti alla porzione di popolazione cosiddetta “anziana” (over 65), è un fenomeno che sta destando particolare preoccupazione nella società. Per questo motivo la ricerca, negli ultimi anni, si sta concentrando sulla progettazione di sistemi in grado di riconoscere in maniera automatica queste particolari situazioni così da poter favorire un pronto soccorso alle vittime. Il lavoro di tesi riguarda la progettazione e realizzazione di un sistema indossabile di rilevamento delle cadute, rivolto ad un target di popolazione over 65, che permette di raggiungere un buon compromesso fra accuratezza dei risultati e consumi energetici. Il dispositivo comprensivo di un modulo BLE, un accelerometro triassiale e un giroscopio triassiale, permette di riconoscere un evento di caduta basandosi sull' accelerazione, la postura e la velocità angolare che subisce il corpo durante determinate situazioni. Al riconoscimento di un evento di caduta, il device interagisce (attraverso una connessione Bluetooth Low Energy) con un'applicazione smartphone che ha il compito di instradare queste segnalazioni, comprensive di informazioni posizionali, ad un gruppo di contatti prestabiliti attraverso l'ausilio di un cloud service. Il raggiungimento di un moderato consumo energetico è stato possibile analizzando e configurando in maniera ottimale i valori di campionamento dei sensori e la frequenza di clock del microcontrollore. I risultati dei test, condotti da 10 persone che hanno simulato 19 differenti attività di vita quotidiana e 15 diversi tipi di cadute, dimostrano che l'algoritmo di Fall Detection proposto presenta un'elevata sensibilità (97,1%) e specificità (98,7%), indice di un corretto e affidabile funzionamento del sistema. |