Comparación de Dos Algoritmos de Detección de Caídas Utilizando Teléfonos Inteligentes

Lynette Drusilla Layne, Ruth M. Aguilar-Ponce, J. Luis Tecpanecatl-Xihuitl, Hector Raúl Moncada González

Resumen


Aproximadamente un 30 % de las personas de la tercera edad suelen sufrir una caída importante al año, resultando en un alto índice de hospitalización y una alta tasa de mortalidad. Esta situación presenta un reto importante en el marco de salud pública, por lo que se requiere un sistema eficaz de detección de caídas para proporcionar un apoyo urgente y reducir significativamente los costos de atención médica asociados a las caídas. Considerando esta problemática, se presenta el estudio de la potencia utilizada por dos Algoritmos de Detección de caída. El primer sistema detecta las caídas mediante la diferenciación de las señales de acelerómetro; mientras el segundo algoritmo aísla la frecuencia que indica que se ha presentado una caída mediante una serie de filtros. Para la implementación de los algoritmos, se utilizaron teléfonos inteligentes que cuentan con acelerómetros triaxiales. Ambos algoritmos se implementaron en el lenguaje Java dentro del marco de trabajo de Android. Se concluyó que el primer algoritmo es más eficiente en términos del consumo de energía debido a que en las pruebas realizadas consumió 2.6% menos potencia que el segundo algoritmo.

Texto completo:

1563-1579 PDF

Referencias


Grupo del Banco Mundial, Población de 65 años de edad y más (% del total), El Banco Mundial, 2009. [En Línea]. [Consultada: 21 Enero 2013] Disponible: http://datos.bancomundial.org/indicador/SP.POP.65UP.TO.ZS.

Instituto Nacional de Geriatría, Situación Sociodemográfica del Envejecimiento en México, Instituto Nacional de Geriatría [En Línea]. [Consultada: 21 Enero 2013] Disponible:http://www.geriatria.salud.gob.mx/descargas/01_sit_dem_env.pdf.

Organización Mundial de la Salud, Caídas, Centro de prensa de la OMS, Octubre de 2012. [En Línea]. [Consultada: 21 Enero 2013] Disponible: http://www.who.int/mediacentre/factsheets/fs344/es/index.html.

X. Yu, “Approaches and Principles of Fall Detection for Elderly and Patient.” In Proceedings of 10th IEEE International Conf. On e-Health Networking, Applications and Service (HEALTCOM 2008), pp. 42-47, 7-9 July 2008.

B. Jansen, y R. Deklerck, “Context Aware inactivity recognition for visual fall detection,” Pervasive Health Conference and Workshops, pp 1-4, 29 Nov. -1 Dic 2006.

D. Anderson, J. M. Keller, M. Skubic, X. Chen, y Z. He, “Recognizing falls from Silhouettes,” 28th Int. Conf. of the IEEE Eng. In Medicine and Biology Society, pp 6388-6391, Agosto 2006.

C. Rougier, J. Meunier, A. St-Arnoud, J. Rosseau, “Fall Detection from Human Shape and Motion History using Video Surveillance,” 21st Int. Conf. on Advanced Information Networking and Application Workshops, Vol. 2, pp. 875-880, 2007.

Lide Zhang, Birjodh Tiwana, Robert P. Dick et al, “Accurate Online Power Estimation and Automatic Battery Behavior Based Power Model Generation for Smartphones,” En las memorias de IEEE/ACM/IFIP International Conference on Hardware/Software Codesign and System Synthesis (CODES+ISSS), 2010, Arizona, USA, pp. 105-114.

PowerTutor, Disponible: http://powertutor.org [Consultada: 28 Junio 2013].

EZ430 Cronos Watch, Disponible:http://processors.wiki.ti.com/index.php/EZ430-Chronos [Consultada: 28 Junio 2013].


Enlaces refback

  • No hay ningún enlace refback.




URL de la licencia: https://creativecommons.org/licenses/by/3.0/deed.es

Licencia Creative Commons    Esta revista está bajo una Licencia Creative Commons Atribución 3.0 No portada.