Accidents related to falling is a major issue in society, and it is important that a person that suffers an accident is aided as quickly as possible. The purpose of this study is to examine the possibility of using sensors available in smartphones to implement an application for fall detection. The chosen method is a literature study followed by a case study. The literature study is performed to find existing solutions for implementing fall detection in a mobile application and one solution is chosen as a starting point. The case study consists of two parts. In the first part the algorithm found during the literature study is implemented and experiments are performed with purpose to improve the solution. The second part serves to evaluate the implemented solution with respect to accuracy and battery life. The proposed solution is to use accelerometer data coming from the embedded sensors available in smartphones. This data can be fed into a finite state machine to detect possible fall candidates. Properties are extracted from the data, which is analyzed by a pre-trained neural network that perform a classification of the event. The evaluation of the accuracy shows that the iOS and Android implementation reached a success rate in classifying events correctly of 91% and 83%, respectively. The evaluation of battery life shows that this solution can be implemented without consuming to much battery power. / Olyckor relaterade till fall är ett stort problem i samhället, och det är viktigt att en person som är drabbad av en olycka får hjälp så fort som möjligt. Syftet med den här studien är att undersöka möjligheten att använda sensorer tillgängliga i smartphones för att implementera en applikation för falldetektion. Den valda metoden är en litteraturstudie följt av en fallstudie. Litteraturstudien genomförs för att hitta existerande lösningar för att implementera falldetektion i en mobilapplikation, och en lösning väljs som startpunkt. Fallstudien består av två delar. I första delen implementeras algoritmen som hittades i litteraturstudien och experiment genomförs med syftet att förbättra lösningen. Den andra delen syftar till att evaluera den implementerade lösningen med avseende på noggrannhet och batteritid. Den föreslagna lösningen är att använda accelerometerdata från den inbyggda sensorn som finns i smartphones. Data från accelerometern matas in i en finit tillståndsmaskin för att detektera möjliga händelser av fall. Egenskaper extraheras från denna data och analyseras av ett förtränat neuronnät, som genomför en klassificering av händelsen. Evalueringen av noggrannheten visar att iOSoch Androidimplementationen når en precision vid klassificering av händelser på 91% och 83%, respektive. Evalueringen av batteritid visar att lösningen kan implementeras utan för stor batteriförbrukning.

Fallolyckor bland äldre är ett stort folkhälsoproblem. Således har det utvecklats en rad olika system för fjärrövervakning av äldre för att möjliggöra en tidig detekte- ring av fallolyckor. Majoriteten av de forskningar som hittills har gjorts inom fallo- lyckor har fokuserat på att utveckla nya mer framgångsrika algoritmer just för att identifiera fall från icke-fall. Trots det visar statistiken att dödsfall och skador orsa- kade av fallolyckor ökar för varje år i samband med den ökande andel äldre perso- ner i befolkningen. Detta examensarbete handlar om att förbättra nuvarande falldetekteringsanord- ningar genom att täcka de brister och tillgodose de behov som finns i nuvarande tekniker. De förbättringar som har kartlagts är att kunna ge en säkrare bedömning av patientens hälsa och kunna påkalla snabbare hjälpinsats när en fallolycka har inträffat. En annan förbättring är rörelsefriheten för äldre. De ska kunna befinna sig utomhus och ha möjlighet att utföra sina dagliga aktiviteter utan att vara be- gränsade av platspositionen. Sammanfattningsvis kan det konstateras att ett multisensorsystem i form av en prototyp har konstruerats för att täcka de brister som har kartlagts. Utöver att pro- totypen detekterar fall och kroppsrörelser med hjälp av en accelerometersensor innehåller den även en sensor för detektering av livstecken i from av EKG. Den in- nehåller dessutom cellulära och trådlösa nätverksanslutningar i form av GPRS och Wi-Fi för att möjliggöra rörelsefriheten hos äldre. Vidare innehåller prototypen en sensor för GPS som ger information om platsposition. / Accidental falls among the elderly is a major public health problem. As a result, a variety of systems have been developed for remote monitoring of the elderly to permit early detection of falls. The majority of the research that has been done so far in fall accidents has focused on developing new more successful algorithms spe- cifically to identify fall from non-fall. Although the statistics show that mortality and injuries caused by falls are increasing every year in conjunction with the in- creasing proportion of older people in the population. This thesis is about improving the current fall detection devices by covering the gaps and meet the needs of the current fall detection techniques. The improve- ments that have been identified is to provide a secure assessment of the patient's health and be able to call for aid more quickly when a fall occurs. Another im- provement is the mobility for the elderly to be outdoors and have the ability to per- form daily activities without being limited by the location position. In summary it can be said that a multisensor system in form of a prototype has been designed to cover the deficiencies and improvements that have been identi- fied. Apart from detection of falls and body movements through an accelerometer sensor the prototype does also include a sensor for detecting vital signs in form of ECG. It also supports cellular and wireless network communication in form of GPRS and Wi-Fi to enable freedom of movement for the elderly. Furthermore, the prototype includes a sensor for GPS that provides information about location position.