Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Fall detection using smartphone application
KTH, School of Electrical Engineering and Computer Science (EECS).
KTH, School of Electrical Engineering and Computer Science (EECS).
2018 (English)Independent thesis Basic level (professional degree), 10 credits / 15 HE creditsStudent thesis
Abstract [en]

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.

Abstract [sv]

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.

Place, publisher, year, edition, pages
2018. , p. 67
Series
TRITA-EECS-EX ; 2018:117
Keywords [en]
Fall detection, mobile application, state machine, neural network, machine learning
Keywords [sv]
Falldetektion, mobilapplikation, tillståndsmaskin, neuronnätverk, maskininlärning
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:kth:diva-231919OAI: oai:DiVA.org:kth-231919DiVA, id: diva2:1230962
Subject / course
Computer Technology and Software Engineering
Educational program
Bachelor of Science in Engineering - Computer Engineering
Supervisors
Examiners
Available from: 2018-07-05 Created: 2018-07-05 Last updated: 2018-07-05Bibliographically approved

Open Access in DiVA

fulltext(7130 kB)32 downloads
File information
File name FULLTEXT01.pdfFile size 7130 kBChecksum SHA-512
91fdc2519fece80cabe3e2e5f8952b2f573c91d235f9640f1dc1d571094536ba3995ad35a46b21dc0c75c71fa151f4433f9f2a780fa287e289dcba6fc50de664
Type fulltextMimetype application/pdf

By organisation
School of Electrical Engineering and Computer Science (EECS)
Computer and Information Sciences

Search outside of DiVA

GoogleGoogle Scholar
Total: 32 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 62 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf