Kroppsburen fallolycksövervakning med hjälp av maskininlärning

Falling accidents represents a major threat and is considered as a major source of morbidity and mortality among the elderly. As a consequence of fall related injuries, three people dies in Sweden every day. Additional factors, such as fear of falling further impacts the quality of life for the elderly. Due to the demographic change, which results in an increasing amount of elderly in the population, the costrelated to fall accidents is increasing. In order to the reduce the cost, preventivemethods and tools are believed to be a feasible approach. This report is the resultof a conceptual study that presents the issues related to the development of an individualizedmotion monitoring system applicable to pre-impact fall detection. Thestrategy adopted for fall detection, is to learn the normal behaviour of the user inorder to recognize fall as an anomaly from activities of daily living. The results are based on the comparison between an individualized, and a generalized algorithm.The conclusion is that the suggested algorithm is applicable in pre-impact fall detection systems.Bland äldre människor utgör fallolyckor ett stort hot och anses vara en betydande orsak för all sjuklighet och dödlighet. I Sverige dör tre äldre varje dag till följd av en fallolycka och de årliga kostnaderna förväntas stiga från 15 till 22 miljarder fram till år 2050. Bland dessa kostnader finns direkta sjukvårdskostnader och kostnader relateradetill försämrad livskvalitét. Med demografiska förändringar som en ökande andel äldre i populationen anses aktiva och preventiva åtgärder vara en lämpligmetod för att minska kostnaderna och det personliga lidandet. Denna rapport ärresultatet av en konceptuell studie som behandlar de krav och frågeställningar somställs vid utvecklingen av ett system för aktiv individanpassad fallolycksövervakning. Genom att lära sig det normala rörelsemönstret kan algoritmen urskilja ett fall som en anomali. Resultatet presenteras i form av en jämförelse mellan ett individanpassat och ett generellt system. Slutsatsen är att den presenterande algoritmen kan användas för att lära sig normala rörelsemönster, för att därefter urskilja ett fall innan användaren träffar marken