Л.Н. Анищенко – к.т.н., доцент, ст. науч. сотрудник, факультет биомедицинской техники,  лаборатория дистанционного зондирования научно-учебного комплекса 

«Фундаментальные науки» (НУК ФН), МГТУ им. Н.Э. Баумана 

E-mail: anishchenko@rslab.ru

Постановка проблемы. Необходимость решения задачи обнаружения падений для пожилых людей обусловлена общеизвестным явлением глобального старения населения, которое является результатом увеличения продолжительности жизни и снижения рождаемости. Ежегодно население старше 60 лет увеличивается на 3%; по оценкам ООН в 2030 г. число людей старше 60 лет может достигнуть 1,4 млрд человек. Пожилые люди подвержены негативным физиологическим изменениям, которые могут увеличить количество травм, в том числе вызванных падением. Около 13% всех смертей пожилых людей являются результатом отсутствия помощи после эпизода падения. 

Цель работы – разработка эффективных методов обнаружения падений.

Результаты. В настоящее время в продаже имеются носимые датчики падения, также научное сообщество активно работает над разработкой и совершенствованием бесконтактных систем, использующих оптические и неоптические датчики для автоматического обнаружения падения. Тем не менее, на сегодняшний день остаются нерешенными вопросы, связанные в первую очередь с высоким уровнем ложных срабатываний, нарушением конфиденциальности, высокой стоимостью устройства. В работе описаны экспериментальный макет биорадиолокатора для бесконтактной детекции падений человека и алгоритм классификации на основе применения вейвлет-анализа и глубокого обучения, которые в совокупности позволяют создать недорогой портативный биорадар для дистанционного обнаружения падений. С этой целью была использована архитектура предварительно обученной для распознавания изображений глубокой нейронной сети GoogLeNet. В качестве входных данных для данной сети использовано частотно-временно́е представление биорадиолокационного сигнала, представляющее собой абсолютные значения коэффициентов вейвлет-преобразования. В качестве базового вейвлета выбран вейвлет Морле. Архитектура сети GoogLeNet была адаптирована для решения задачи обнаружения падений. Обработка данных выполнена с использованием пакета MATLAB 2019a. Точность классификации при помощи предложенного алгоритма для тестирующей выборки составила 98,96 %.

Практическая значимость. В ходе дальнейших исследований предполагается расширить экспериментальную базу данных с учетом различных состояний окружающей обстановки и расстояний от радара до биологического объекта.

1. Desa U.N. World Population Prospects, United Nations Department of Economic and Social Affairs // Population Division. 2017.
2. Institute of Medicine (US). Division of Health Promotion and Disease Prevention. The second fifty years: Promoting health and preventing disability. National Academy Press. 1992.
3. Fernando E. et al. Risk factors associated with falls in older adults with dementia: a systematic review // Physiotherapy Canada. 2017. V. 69. № 2. P. 161–170.
4. Prevention O.F. et al. Guideline for the prevention of falls in older persons // J. Am. Geriatr. Soc. 2001. V. 49. № 5. P. 664–672. 
5. Kau L.J., Chen C.S. A smart phone-based pocket fall accident detection, positioning, and rescue system // IEEE journal of biomedical and health informatics. 2014. V. 19. № 1. P. 44–56.
6. Rakhman A.Z. et al. Fall detection system using accelerometer and gyroscope based on smartphone // 2014 The 1st International Conference on Information Technology, Computer, and Electrical Engineering. IEEE. 2014. P. 99–104.
7. Rathi N. et al. Wearable low power pre-fall detection system with IoT and bluetooth capabilities // 2017 IEEE National Aerospace and Electronics Conference (NAECON). IEEE. 2017. P. 241–244.
8. Agrawal S.C., Tripathi R.K., Jalal A.S. Human-fall detection from an indoor video surveillance // 2017 8th International Conference on Computing, Communication and Networking Technologies (ICCCNT). IEEE. 2017. P. 1–5.
9. Sase P.S., Bhandari S.H. Human Fall Detection using Depth Videos // 2018 5th International Conference on Signal Processing and Integrated Networks (SPIN). IEEE. 2018. P. 546–549.
10. Anishchenko L. et al. Application of step-frequency radars in medicine // Radar Sensor Technology XVIII. International Society for Optics and Photonics. 2014. V. 9077. P. 90771N.
11. Wu Q. et al. Radar-based fall detection based on Doppler time–frequency signatures for assisted living // IET Radar, Sonar & Navigation. 2015. V. 9. № 2. P. 164–172.
12. Dremina M.K., Anishchenko L.N. Contactless fall detection by means of CW bioradar // 2016 Progress in Electromagnetic Research Symposium (PIERS). IEEE. 2016. С. 2912–2915.
13. Anishchenko L., Alborova I., Dremina M. Discriminant analysis in bioradar-based fall events classification // 2017 IEEE International Conference on Microwaves, Antennas, Communications and Electronic Systems (COMCAS). IEEE. 2017. P. 1–4.
14. K-LC5 High Sensitivity Dual Channel Transceiver, URL: https://www.rfbeam.ch/product-id=9.
15. Amin M., Ahmad F., Jokanovic B. Personalized fall detection and classification through walls and in heavy indoor clutter // Radar Sensor Technology XIX; and Active and Passive Signatures VI. International Society for Optics and Photonics. 2015.  V. 9461. P. 94610H.
16. Torrey L., Shavlik J. Transfer learning // Handbook of research on machine learning applications and trends: algorithms, methods, and techniques. IGI Global. 2010. P. 242–264.
17. Szegedy C. et al. Going deeper with convolutions // Proceedings of the IEEE conference on computer vision and pattern recognition. 2015. P. 1–9.
18. Anishchenko L.N., et al. Low-Cost Portable Bioradar System for Fall Detection // 2019 Progress in Electromagnetic Research Symposium (PIERS). IEEE, 2019. In press.