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.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-231919 |
Date | January 2018 |
Creators | Boberg, Peter, Lagerström, Andreas |
Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
Source Sets | DiVA Archive at Upsalla University |
Language | English |
Detected Language | English |
Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess |
Relation | TRITA-EECS-EX ; 2018:117 |
Page generated in 0.002 seconds