Eklem tabanlı etkili düşme tespiti

Muzaffer Aslan; Yaman Akbulut; Abdulkadir Şengür; Melih Cevdet İnce

doi:10.17341/gazimmfd.369347

Eklem tabanlı etkili düşme tespiti

Öz

Düşme yaşlılar için ölüm ve yaralanmalarda en önemli nedenlerden biridir. Gerçek zamanlı düşme tespiti yaşlıların güvenliği için büyük önem taşımaktadır. Bu çalışmada, düşme tespiti için iskelet eklem verilerine dayalı yeni bir yöntem önerilmiştir. 21 deneğin katılımı ile oluşturulan FUKinect-Fall veri setindeki üç boyutlu (3b) iskelet verileri önce iki adet (xy ve zy) iki boyut (2b) eklem verilerine indirgenmiştir. Daha sonra seçilen referans ekleme göre iç içe geçmiş daireler üzerine kodlanmış bölgeler oluşturularak her bir eksende kalan 19 eklemin bir eylem süresince bulunduğu bölge ortalamalarını içeren özellik matrisi çıkartılmıştır. Bu özellik matrisi k-En Yakın Komşu (k-EYK) ve Destek Vektör Makinası (DVM) ile sınıflandırılmıştır. Yapılan deneysel çalışmalarda %97,08 doğrulukta düşme tespiti yapılmıştır.

Anahtar Kelimeler

Düşme tespiti,kinect,iskelet verisi,FUKinect-fall veri seti

Kaynakça

1. United Nations World Population Ageing 2013. Department of Economic and Social Affairs Population Division.http://www.un.org/en/development/desa/population/publications/pdf/ageing/WorldPopulationAgeing2013pdf. Yayın tarihi 2013. Erişim tarihi Ocak 5, 2015.
2. Nüfus Projeksiyonları 2013-2075. http://www.tuik.gov.tr/PreHaberBultenleri.do?id=15844. Yayın tarihi Şubat 14, 2013. Erişim tarihi Ocak 10, 2015.
3. Fletcher P.C., Hirdes J.P., Risk factors for falling among community-based seniors using home care services, The Journals of Gerontology Series A: Biological Sciences and Medical Sciences, 57 (8), 504-510, 2002.
4. Tinetti M.E., Speechley M., Ginter S.F., Risk factors for falls among elderly persons living in the community, New England journal of medicine, 319 (26), 1701-1707, 1998.
5. Jensen J., Lundin-Olsson L., Nyberg L., Gustafson Y., Falls among frail older people in residential care, Scandinavian Journal of Public Health, 30 (1), 54-61, 2002.
6. Stevens J.A., Rudd R.A., Circumstances and contributing causes of fall deaths among persons aged 65 and older, Journal of the American Geriatrics Society, 62 (3), 470-475, 2014.
7. Wang R.D., Zhang Y.L., Dong L.P., Lu J.W., Zhang Z.Q., He X., Fall detection algorithm for the elderly based on human characteristic matrix and SVM, In Control Automation and Systems (ICCAS), 15th International Conference, Busan-Korea, 1190-1195, 13-16 October, 2015.
8. Popoola O.P., Wang K, Video-based abnormal human behavior recognition-A review, IEEE Transactions on Systems Man and Cybernetics Part C Applications and Reviews, 42 (6), 865-878, 2012.

9. Yu H., Zheng X., Zhang L., Cao Y., Elderly fall monitoring and remote assistance system, Jisuanji Gongcheng yu Yingyong (Computer Engineering and Applications), 47 (35), 245-248, 2011.
10. Alwan M., Rajendran P.J., Kell S., Mack D., Dalal S., Wolfe M., Felder R., A smart and passive floor-vibration based fall detector for elderly, In Information and Communication Technologies, Damascus-Syria, 1003-1007, 24-26 April, 2006.
11. Rougier C., Meunier J., St-Arnaud A., Rousseau J., Robust video surveillance for fall detection based on human shape deformation, IEEE Transactions on Circuits and Systems for Video Technology, 21 (5), 611-622, 2011. 12. Stone E.E., Skubic M., Fall detection in homes of older adults using the microsoft kinect, IEEE Journal of Biomedical and Health Informatics, 19 (1), 290-301, 2015.
13. Feng W., Liu R., Zhu M., Fall detection for elderly person care in a vision-based home surveillance environment using a monocular camera, Signal Image and Video Processing, 8 (6), 1129-1138, 2014.
14. Bian Z.P., Chau L.P., Magnenat-Thalmann N., Fall detection based on skeleton extraction, Virtual-Reality Continuum and its Applications in Industry, Singapore- Singapore, 91-94, 2-4 December, 2012.
15. Akagündüz E., Aslan M., Şengür A., Wang H., İnce M.C., Silhouette orientation volumes for efficient fall detection in depth videos, IEEE journal of biomedical and health informatics, 21 (3), 756-763, 2017.
16. Ma X., Wang H., Xue B., Zhou M., Ji B., Li Y., Depth-based human fall detection via shape features and improved extreme learning machine, IEEE Journal of Biomedical and Health Informatics, 18 (6), 1915-1922, 2014.
17. Aslan M., Sengur A., Xiao Y., Wang H., Ince M.C., Ma X., Shape feature encoding via Fisher Vector for efficient fall detection in depth-videos, Applied Soft Computing, 37, 1023-1028, 2015.
18. Kepski M., Kwolek B., Fall detection using ceiling-mounted 3d depth camera, 9th International conference on computer vision and applications (VISAPP), Lisbon-Portugal, 5-8 January, 640-647, 2014.
19. Dubois A., Charpillet F., Automatic Fall Detection System with a RGB-D Camera using a Hidden Markov Model, 11th International Conference on Smart Homes and Health Telematics (ICOST 2013), Singapore-Singapore, 259-266, 19-21 June, 2013.
20. Zhang C., Tian Y., Rgb-d camera-based daily living activity recognition. Journal of Computer Vision and Image Processing, 2 (4), 1-7, 2012.
21. Akbulut Y., Aslan M., Sengur A., Ince M.C., Fall Detection with Kinect-Based Skeleton Data, International Conference on Natural Science and Engineering (ICNASE'16), Kilis-Turkey, 131-139, 24-28 May, 2016.
22. Abhijit Jana. Kinect for Windows SDK Programming Guide. https://www.pdfdrive.net/kinect-for-windows-sdk-programming-guide-pdf-e9001088.html. Yayın tarihi Aralık, 2012. Erişim tarihi Ocak 20,2015.
23. Xia L., Chen C.C., Aggarwal J.K., View invariant human action recognition using histograms of 3d joints, 2012 IEEE Computer Society Conference on In Computer Vision and Pattern Recognition Workshops (CVPRW), Rhode Isaland-USA, 20-27, 16-21 June, 2012.
24. Chen X., Koskela M., Skeleton-based action recognition with extreme learning machines, Neurocomputing, 149, 387-396, 2015.
25. Chaaraoui A.A., Flórez-Revuelta F., Optimizing human action recognition based on a cooperative coevolutionary algorithm. Engineering Applications of Artificial Intelligence, 31, 116-125, 2014.
26. Shotton J., Sharp T., Kipman A., Fitzgibbon A., Finocchio M., Blake A., Moore R., Real-time human pose recognition in parts from single depth images. Communications of the ACM, 56 (1), 116-124, 2013.
27. Hussein M.E., Torki M., Gowayyed M.A., El-Saban M., Human Action Recognition Using a Temporal Hierarchy of Covariance Descriptors on 3D Joint Locations, Proceedings of the Twenty-Third International Joint Conference on Artificial Intelligence, Beijing-China, 2466-2472, 3-9 Agust, 2013.
28. Fukunaga K., Parametric Classifiers, Introduction to Statistical Patern Recognition, Academic Press Limited,USA, 125-180, 1990.
29. Alcin O.F., Sengur A., Ince M. C., Forward-backward pursuit based sparse extreme learning machine, Journal of The Faculty of Engineering and Architecture of Gazi University, 30 (1), 111-117, 2015.
30. Burges C.J., A tutorial on support vector machines for pattern recognition, Data mining and knowledge discovery, 2 (2), 121-167, 1998.
31. Xia L., Aggarwal J.K., Spatio-temporal depth cuboid similarity feature for activity recognition using depth camera, In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Portland Oregon-USA, 2834-2841, 23-28 June, 2013.
32. Zhu Y., Chen W., Guo G., Fusing spatiotemporal features and joints for 3d action recognition. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Portland Oregon-USA, 486-491, 23-28 June, 2013.
33. Yang X., Tian Y., Super normal vector for activity recognition using depth sequences. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Columbus OH-USA, 804-811, 23-28 June, 2014.

Ayrıntılar

Birincil Dil

Türkçe

Konular

-

Bölüm

Araştırma Makalesi

Yazarlar

Muzaffer Aslan ^*
0000-0002-2418-9472

Yaman Akbulut

Abdulkadir Şengür

Melih Cevdet İnce Bu kişi benim

Yayımlanma Tarihi

8 Aralık 2017

Gönderilme Tarihi

8 Mart 2016

Kabul Tarihi

2 Temmuz 2017

Yayımlandığı Sayı

Yıl 2017 Cilt: 32 Sayı: 4

DOI

https://doi.org/10.17341/gazimmfd.369347

IZ

https://izlik.org/JA44RE72MG

Kaynak Göster

RIS / Bibtex

APA

Aslan, M., Akbulut, Y., Şengür, A., & İnce, M. C. (2017). Eklem tabanlı etkili düşme tespiti. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 32(4), 1025-1034. https://doi.org/10.17341/gazimmfd.369347

AMA

1.Aslan M, Akbulut Y, Şengür A, İnce MC. Eklem tabanlı etkili düşme tespiti. GUMMFD. 2017;32(4):1025-1034. doi:10.17341/gazimmfd.369347

Chicago

Aslan, Muzaffer, Yaman Akbulut, Abdulkadir Şengür, ve Melih Cevdet İnce. 2017. “Eklem tabanlı etkili düşme tespiti”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 32 (4): 1025-34. https://doi.org/10.17341/gazimmfd.369347.

EndNote

Aslan M, Akbulut Y, Şengür A, İnce MC (01 Aralık 2017) Eklem tabanlı etkili düşme tespiti. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 32 4 1025–1034.

IEEE

[1]M. Aslan, Y. Akbulut, A. Şengür, ve M. C. İnce, “Eklem tabanlı etkili düşme tespiti”, GUMMFD, c. 32, sy 4, ss. 1025–1034, Ara. 2017, doi: 10.17341/gazimmfd.369347.

ISNAD

Aslan, Muzaffer - Akbulut, Yaman - Şengür, Abdulkadir - İnce, Melih Cevdet. “Eklem tabanlı etkili düşme tespiti”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 32/4 (01 Aralık 2017): 1025-1034. https://doi.org/10.17341/gazimmfd.369347.

JAMA

1.Aslan M, Akbulut Y, Şengür A, İnce MC. Eklem tabanlı etkili düşme tespiti. GUMMFD. 2017;32:1025–1034.

MLA

Aslan, Muzaffer, vd. “Eklem tabanlı etkili düşme tespiti”. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, c. 32, sy 4, Aralık 2017, ss. 1025-34, doi:10.17341/gazimmfd.369347.

Vancouver

1.Muzaffer Aslan, Yaman Akbulut, Abdulkadir Şengür, Melih Cevdet İnce. Eklem tabanlı etkili düşme tespiti. GUMMFD. 01 Aralık 2017;32(4):1025-34. doi:10.17341/gazimmfd.369347

Eklem tabanlı etkili düşme tespiti

Eklem tabanlı etkili düşme tespiti

Öz

Anahtar Kelimeler

Kaynakça

Ayrıntılar

Birincil Dil

Konular

Bölüm

Yazarlar

Yayımlanma Tarihi

Gönderilme Tarihi

Kabul Tarihi

Yayımlandığı Sayı

DOI

IZ

Kaynak Göster

Cited By

Yersel lazer tarama verisi ile elde edilen 3B modellerde filtreleme etkisinin araştırılması

A multi-division convolutional neural network-based plant identification system

On the Heterogeneity of Existing Repositories of Movements Intended for the Evaluation of Fall Detection Systems

Normal Cumulative Distribution Function and Dispersion Entropy Based EMG Classification

Fraktal Eğimden Arındırılmış Dalgalılık Analizi ve Pencereli Kare Ortalamanın Karekökü Tabanlı EMG Sınıflandırma

Kırık Rotor Çubuğu Sayısının Ampirik Mod Ayrışımı ve Makine Öğrenmesi Yaklaşımları İle Belirlenmesi