Real Time Recognition of Elderly Daily Activity using Fuzzy Logic through Fusion of Motion and Location Data

Abstract

One of the major problems that may encounter old people at home is falling. Approximately, one of three adults of the age of 65 or older falls every year. The World Health Organization reports that injuries due to falls are the third most common cause of chronic disability. In this paper, we proposed an approach to indoor human daily activity recognition, which combines motion and location data by using a webcam system, with a particular interest to the problem of fall detection. The proposed system identifies the face and the body in a given area, collects motion data such as face and body speeds and location data such as center of mass and aspect ratio; then the extracted parameters will be fed to a Fuzy logic classifier that classify the fall event in two classes: fall and not fall.

On-Line Fall Detection via Mobile Accelerometer Data

“…More specifically, in the field of activity recognition with focus to fall detection, many recent studies can be found in the literature [1,2,6,3]. Some studies use microphones to detect falls, while others use information obtained by cameras that track the movement and the trajectory of humans in assisted environments, where long and/or unusual inactivity can be interpreted as a fall.…”

Μέθοδοι Υπολογιστικής Νοημοσύνης Για Εφαρμογές Σε Περιβάλλοντα Διάχυτης Νοημοσύνης

“…Πολλά ολοκληρωμένα συστήματα έχουν παρουσιαστεί στη βιβλιογραφία [33,34,77,89], που σκοπό έχουν το εντοπισμό ενός επείγοντος περιστατικού και στη συνέχεια ενημέρωση ενός οικείου προσώπου για βοήθεια. Μέθοδοι που μπορούν να εντοπίσουν την πτώση ενός ανθρώπου με την χρήση κάμερας, όπως παρουσιάσαμε στα Κεφάλαια 3 και 4, δίνουν την ευκολία της διακριτικής επιτήρησης, χωρίς να επεμβαίνουν στον ίδιο τον άνθρωπο αλλάζοντάς του τον καθημερινό τρόπο ζωής του.…”