การประเมินโครงสร้างโครงข่ายประสาทเทียมสำหรับการตรวจจับการล้มที่ใช้อุปกรณ์สวมใส่Evaluation of Artificial Neural Networks Structures for Fall Detection Using Wearable Sensors

Abstract

การล้มเป็นปัญหาที่สำคัญที่ทำให้เกิดการบาดเจ็บและการเสียชีวิต วัตถุประสงค์ของการศึกษานี้คือ เพื่อศึกษาโครงสร้างโครงข่ายประสาทเทียมที่เหมาะสมสำหรับการตรวจจับการล้มที่ใช้เซนเซอร์แอคเซเลอโรมิเตอร์และไจโรสโคป เทคนิคการทำขีดแบ่งและโครงข่ายประสาทเทียมถูกใช้เพื่อตรวจจับการล้ม การฝึกสอนและการทดสอบโครงข่ายประสาทเทียมใช้ข้อมูลที่ถูกเก็บจากผู้เข้าร่วมจำลองการล้มที่สวมใส่แอคเซเลอโรมิเตอร์และไจโรสโคปบนเอว ชุดข้อมูลฝึกอบรมและทดสอบประกอบด้วย การล้ม การยืน การนั่ง การวิ่ง และ การกระโดด ถูกเก็บและวิเคราะห์ แบบจำลองโครงข่ายประสาทเทียมด้วยโครงข่ายประสาทแบบแพร่กระจายย้อนกลับในรูปแบบป้อนไปข้างหน้าและใช้โครงข่ายประสาทเทียมเพอร์เซฟตรอนแบบหลายชั้นถูกทดสอบ ดัชนีการประเมินผลถูกใช้เพื่อระบุจำนวนเซลล์ประสาทในชั้นซ่อนระหว่าง 1 เซลล์ถึง 30 เซลล์ ผลการทดลองบ่งชี้ให้เห็นว่าในชั้นซ่อนควรมีเซลล์ประสาท 13 จำนวน และแสดงให้เห็นถึงความสามารถในการตรวจจับการล้มที่ให้ค่าความถูกต้อง ค่าความไว และ ค่าความจำเพาะในแต่ละค่าสูงถึง 1 ดังนั้น ระบบตรวจจับการล้มแบบใหม่ที่ใช้อุปกรณ์สวมใส่สามารถพัฒนาได้ในอนาคต

Falls are serious problems that cause injury and death. The objective of this study was to investigate appropriate Artificial Neural Network (ANN) structures for fall detection using accelerometer and gyroscope sensors. Thresholding techniques and ANN were used to detect falls. In experimental setting, participants were asked to have accelerometer and gyroscope sensors on their waist. The training and testing datasets including falling, standing, sitting, running, and jumping were collected and analyzed. ANN model with feed-forward backpropagation and multi-layer perceptron was tested. Evaluation Indices were used to identify the number of neurons (1 to 30) in the hidden layer. The results indicated that in the hidden layer, there should be a set of 13 neurons, attaining the values of accuracy, sensitivity and specificity as high as 1 each. Therefore, a new fall detection system using wearable sensors can be developed in the future.