Fall detection - prediction based on deep learning techniques
| datacite.contributor.RelatedPerson | Μουστάκας, Κωνσταντίνος | |
| datacite.contributor.RelatedPerson | Χατζηλυγερούδης, Κωνσταντίνος | |
| datacite.contributor.Supervisor | Αθανάσιος Σκόδρας | |
| dc.contributor.author | Αρβανιτόπουλος, Λέανδρος Νικόλαος | |
| dc.contributor.other | Arvanitopoulos, Leandros Nikolaos | |
| dc.date.accessioned | 2025-10-10T05:51:52Z | |
| dc.date.available | 2025-10-10T05:51:52Z | |
| dc.date.issued | 2025-10-08 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | There are many falls that happen throughout the world, that mainly affect the elderly population. Aside from being a traumatic experience, falls are a serious threat, since a large percentage of falls are lethal. Smartphones are truly ubiquitous in our current age, even among older people, all the while their computational power keeps increasing. The rise of more technologically advanced Deep Learning algorithms allows for a chance to detect or even prevent a fall, by deploying algorithms that are compact enough to be implemented into a smartphone, but good enough to classify falls from ADL with enough accuracy. In this study, we evaluate the ability of deep learning architecture of relatively small complexity to distinguish between ADL and Fall events, using the combination of CNN and ANN layers for feature extraction and classification respectively. To secure the optimal performance of the model, the algorithm includes the magnitude of the tri-axial acceleration signal (SMV) as is only source of information. The algorithm filters the sensor data windows before they are fed into the model, by only permitting windows that have the value of the last element to be larger than that of the rest of the window. The results show that the model performs well in cases where other models fail, but with relatively lower metrics. After cross-checking with two different datasets, it is confirmed that the model’s performance can generalize for smartphone use. | |
| dc.description.translatedabstract | Υπάρχουν πολλές πτώσεις που συμβαίνουν σε όλο τον κόσμο, οι οποίες επηρεάζουν κυρίως τον ηλικιωμένο πληθυσμό. Εκτός από το ότι αποτελούν μια τραυματική εμπειρία, οι πτώσεις αποτελούν σοβαρή απειλή, καθώς ένα μεγάλο ποσοστό πτώσεων είναι θανατηφόρες. Τα έξυπνα κινητά είναι πραγματικά πανταχού παρόντα στην εποχή μας, ακόμη και μεταξύ των ηλικιωμένων, ενώ η υπολογιστική τους ισχύς συνεχίζει να αυξάνεται. Η άνοδος των πιο τεχνολογικά προηγμένων αλγορίθμων βαθιάς μάθησης επιτρέπει την ανίχνευση ή ακόμα και την πρόληψη μιας πτώσης, αναπτύσσοντας αλγόριθμους που είναι αρκετά συμπαγείς για να εφαρμοστούν σε ένα έξυπνο κινητό, αλλά αρκετά καλοί για να ταξινομήσουν πτώσεις από ADL με αρκετή ακρίβεια. Σε αυτή τη μελέτη, αξιολογούμε την ικανότητα της αρχιτεκτονικής βαθιάς μάθησης σχετικά μικρής πολυπλοκότητας να διακρίνει μεταξύ ADL και συμβάντων πτώσης, χρησιμοποιώντας τον συνδυασμό επιπέδων CNN και ANN για εξαγωγή και ταξινόμηση χαρακτηριστικών αντίστοιχα. Για να διασφαλιστεί η βέλτιστη απόδοση του μοντέλου, ο αλγόριθμος περιλαμβάνει το μέγεθος του τριαξονικού σήματος επιτάχυνσης (SMV) ως μοναδική πηγή πληροφοριών. Ο αλγόριθμος φιλτράρει τα παράθυρα δεδομένων αισθητήρων πριν τροφοδοτηθούν στο μοντέλο, επιτρέποντας μόνο στα παράθυρα που έχουν την τιμή του τελευταίου στοιχείου να είναι μεγαλύτερη από αυτή του υπόλοιπου παραθύρου. Τα αποτελέσματα δείχνουν ότι το μοντέλο αποδίδει καλά σε περιπτώσεις όπου άλλα μοντέλα αποτυγχάνουν, αλλά με σχετικά χαμηλότερες μετρήσεις. Μετά από διασταύρωση με δύο διαφορετικά σύνολα δεδομένων, επιβεβαιώνεται ότι η απόδοση του μοντέλου μπορεί να γενικευτεί για χρήση σε έξυπνο κινητό. | |
| dc.identifier.uri | https://hdl.handle.net/10889/30530 | |
| dc.language.iso | en | |
| dc.rights | Attribution-NonCommercial-ShareAlike 3.0 Greece | en |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/gr/ | |
| dc.subject | Fall prediction | |
| dc.subject | Deep learning | |
| dc.subject | Accelerometers | |
| dc.subject | Signal processing | |
| dc.subject.alternative | Πρόβλεψη πτώσης | |
| dc.subject.alternative | Βαθιά μάθηση | |
| dc.subject.alternative | Επιταγχυνσιόμετρα | |
| dc.subject.alternative | Επεξεργασία σημάτων | |
| dc.title | Fall detection - prediction based on deep learning techniques | |
| dc.title.alternative | Ανίχνευση - πρόβλεψη πτώσης με τεχνικές βαθιάς μάθησης |