PENGEMBANGAN SISTEM DETEKSI JATUH PADA LANJUT USIA
MENGGUNAKAN SENSOR ACCELEROMETER PADA SMARTPHONE ANDROID
Made Liandana, I Wayan Mustika, dan Selo
Jurusan Teknik Elektro dan Teknologi Informasi, Fakultas Teknik, Universitas Gadjah Mada Jl. Grafika No. 2 Yogyakarta
E-mail: [email protected], [email protected], [email protected]
ABSTRAK
Lanjut usia memiliki keterbatasan secara fisik sehingga potensi jatuh yang dimiliki cukup tinggi. Pengawasan terhadap lanjut usia sangat diperlukan agar dampak yang diakibatkan oleh jatuh dapat dikurangi. Salah satu cara dalam melakukan pengawasan terhadap lanjut usia adalah melalui deteksi jatuh.Deteksi jatuh dapat dilakukan dengan memanfaatkan smartphone Android karena perangkat ini secara manufaktur umumnya telah ditanami sejumlah sensor. Pada penelitian ini, besaran akselerasi pada sumbu x, y, dan z dari sensor accelerometer yang terdapat pada Smartphonediolah menjadi nilai total akselerasi dan sudut kemiringan. Total akselerasi digunakan untuk membedakan aktivitas biasa dengan jatuh karena nilai akselerasi saat jatuh umumnya lebih tinggi dibandingkan dengan aktivitas biasa. Sudut kemiringan digunakan untuk membedakan posisi jatuh ke depan, ke belakang, samping kiri, dan samping kanan. Hasil penelitian ini menunjukkan sistem yang dikembangkan memiliki sensitifity sebesar 74% dan spesificity sebesar 90%.
Kata Kunci: lanjut usia, deteksi jatuh, accelerometer, sudut kemiringan. ABSTRACT
Elderly persons have physical limitations so that the probability of falls is quite high. Monitoring elderly person is necessary in order to reduce the impact of falls. One way to monitor the elderly can be done by developing fall detection system. Fall detection system can utilize Android smartphone because this device has been embedded with a number of sensors. In this study, fall detection techniqueis done by generating total acceleration and tilt angle from value of acceleration in x-axis, y-axis, and z-axis on accelerometer.Since total acceleration is generally higher when falls occured than normal activities then the value can be used to identify whether normal activities or falls. The tilt angle is used to mark whether the position forward fall, backward fall, fall to the left, and fall to the right. The results of this study showed that the system that has been developed has a sensitivity of 74% and specificity of 90%.
Keywords: elderly, fall detection, accelerometer, tilt angle.
1. PENDAHULUAN
Setiap orang akan mengalami masa usia lanjut sehingga akan berpengaruh terhadap aspek-aspek tertentu, seperti sosial, ekonomi, dan yang paling besar pengaruhnya adalah aspek kesehatan. Badan pusat statistik menyebutkan(Badan Pusat Statistik,2010), jumlah lanjut usia setiap tahun mengalami peningkatan, berdasarkan sensus penduduk tahun 1971 jumlah penduduk lanjut usia di Indonesia sekitar 5,31 juta orang atau 4,48 persen dari total penduduk. Tahun 2010 lanjut usia bertambah menjadi 18,04 juta orang atau sekitar 7,59 persen seluruh penduduk Indonesia.
Lanjut usia tentu tidak dapat terhindar dari keterbatasan secara fisik, seperti keterbatasan penglihatan, kemampuan berjalan, dan pendengaran. Dengan kondisi tersebut, potensi terjadinya jatuh pada lanjut usia cukup tinggi.Menurut penelitian mengenai deteksi jatuh (Khawandi et al., 2011) bahwa sekitar 28 sampai 35 persen orang yang telah berusia 65 tahun pernah mengalami jatuh setidaknya satu kali dalam setahun. Penelitian lain juga menyatakan (Noury et al., 2008), sekitar 50 persen orang yang telah berusia 80 tahun pernah mengalami
jatuh yang berarti bahwa jatuh mempengaruhi jutaan orang di dunia. Sebagian besar aktivitas lanjut usia dilakukan di dalam rumah sehingga tempat-tempat tertentu perlu diwaspadai. Salah satu potensi paling besar tempat terjadinya jatuh adalah kamar mandi(Kido et al., 2009). Beberapa akibat yang ditimbulkan oleh jatuh, seperti rasa sakit, kelemahan tubuh, cacat, bahkan dapat meningkatkan risiko kematian (Shumway-Cook et al., 2009).
Pengawasan sangat diperlukan bagi lanjut usia yang potensi jatuhnya tinggi. Pengawasan dapat dilakukan oleh anggota keluarga atau orang terdekat. Orang yang bertugas mengawasi tentunya dituntut untuk selalu berada di dekat lanjut usia agar lebih mudah mengetahui dan memberikan pertolongan jika lanjut usia mengalami jatuh. Akan tetapi, sebagai anggota keluarga tidak mungkin selamanya berada di dekat lansia untuk melakukan pengawasan secara langsung. Oleh karena itu, pengawasan dapat dilakukan secara tidak langsung dengan memanfaatkan teknologi yang ada saat ini. Salah satunya adalah dengan menggunakan perangkat yang dapat mendeteksi jatuh.
Penelitian ini akan mengembangkan aplikasi deteksi jatuh menggunakan smartphone. Ukuran perangkat smartphone yang relatif kecil dan mempunyai bobot cukup ringan memberikan kemudahan dalam mengoperasikannya. Kemampuan komputasi yang dimilikinya juga cukup besar sehingga dapat meningkatkan kecepatan dalam memproses data. Pengguna tidak lagi memerlukan perangkat eksternal tambahan karena sejumlah sensor telah terintegrasi di dalam perangkat pintar ini, seperti accelerometer, digital compass, gyroscope, GPS, microphone, dan camera(Lane et al., 2010). Dari sisi harga perangkat pintar ini relatif terjangkau sehingga banyak orang mampu memilikinya.
2. TINJAUAN PUSTAKA
Penelitian terkait dengan deteksi jatuh bukanlah hal yang baru, penelitian tersebut telah banyak dilakukan. Penggunaan total akselerasi pada ketiga sumbu x, y, dan z yang dikombinasikan dengan vertikal akselerasi adalah salah satu cara dalam melakukan deteksi jatuh (Fang et al., 2012). Fang menggunakan sensor accelerometer dan sensor orientasi yang terdapat pada perangkat smartphone. Selisih nilai maksimum total akselerasi dengan nilai minimum total akselerasi akan dibandingkan dengan nilai ambang batas yang telah ditentukan. Jika nilainya memenuhi, kemudian akan dilakukan observasi lagi dengan membandingkan nilai vertikal akselerasi dengan nilai ambang batas yang telah ditentukan. Apabila kedua kondisi tersebut terpenuhi dapat disimpulkan telah terjadi jatuh.Pendekatan sebelumnya yang dilakukan oleh Dai et al. (2010) menggunakan cara yang hampir sama dengan yang dilakukan oleh Fang, perbedaannya terletak pada penggunaan time window.
Signal Magnitude Area (SMA), Signal Magnitude Vector (SVM), dan Tilt Angle (TA) adalah parameter-parameter yang dapat digunakan dalam melakukan deteksi jatuh seperti yang dilakukan oleh peneliti sebelumnya (He et al., 2012). He memanfaatkan sensor accelerometer yang terdapat pada smartphone. SMA digunakan untuk mencari periode aktivitas biasa dan aktivitas saat beristirahat. SVM adalah akar kuadrat dari jumlah kuadrat masing-masing sumbu x, y, dan z. Pada penelitian yang dilakukan oleh Fang et al.(2012) istilah SVM sama dengan total akselerasi. TA adalah sudut kemiringan pada sumbu y. Jatuh dapat dideteksi jika nilai SMA, SVM, dan TA memenuhi nilai ambang batas yang telah ditentukan. He mengklasifikasikan pergerakan badan menjadi lima perbedaan pola, seperti aktivitas dengan posisi vertikal, berbaring, duduk atau berdiri, aktivitas secara horizontal dan jatuh.
Deteksi jatuh pada lanjut usia yang dilakukan oleh Zhao et al. (2012)menggunakan perangkat smartphone. Deteksi jatuh menggunakan sensor
accelerometer. Berdasarkan data yang berasal dari accelerometer dilakukan ekstraksi fitur dan klasifikasi untuk mendapatkan perbedaan aktivitas berjalan, berlari, dan jatuh. Selain itu, fitur berdasarkan domain waktu dan frekuensi juga ditentukan seperti mean, standar deviasi, slope, korelasi, dan energi. Fitur-fitur tersebut akan digunakan untuk melakukan training pada model decision tree. Sampel yang digunakan untuk melakukan ekstraksi fitur sebanyak 128 sampel. Hasil akhir dari penelitian tersebut menunjukkan presisi deteksi jatuh sebesar 100 persen.
Penelitian mengenai perkiraan lokasi jatuh pada lanjut usia yang dilakukan Dumitrache dan Pasca (2013) menggunakan mikrokontroler untuk pemroses ata. Accelerometer sebagai sensor untuk mendeteksi jatuh, dan menggunakan modul GPS sebagai penentu posisi. Terdapat tiga parameter yang digunakan untuk mengidentifikasi jatuh yaitu stability band (B), waktu t1, dan t2. Stability band direpresentasikan oleh variasi sekitar 1G nilai vektor akselerasi. Ketika nilai akselerasi melebihi ambang batas, algoritme akan menunggu sampai t1 kemudian dilakukan pengecekan apakah nilai total akselerasi berada dalam stabilityband selama t2. Jika masuk dalam stability band dapat disimpulkan bahwa terjadinya jatuh. Biasanya, ketika jatuh terjadi interval t1 lebih kecil daripada aktivitas sehari-hari.
Chen et al.(2011) menggunakan modul mikrokontroler dan sensor accelerometer untuk melakukan deteksi jatuh. Total akselerasi dan sudut kemiringan pada sumbu z digunakan sebagai penentu terjadinya jatuh. Total akselerasi akan dibandingkan dengan nilai ambang batas minimum dan maksimum yang telah ditentukan. Sudut kemiringan pada sumbu z akan dibandingkan juga dengan ambang batas sudut yang telah ditentukan. Jika total akselerasi dan sudut kemiringan memenuhi nilai ambang batas, dapat diambil kesimpulan telah terjadi jatuh.
3. METODALOGI PENELITIAN 3.1 Gambaran Sistem
Sistem yang dibangun menggunakan perangkat smartphone dengan sistem operasi Android dan menggunakan sensoraccelerometer dengan tiga sumbu x, y, dan z. Sumbu x adalah yang membentuk garis horizontal, sumbu y membentuk garis vertikal, dan sumbu z mengarah ke depan dan belakang layar perangkat.Perangkat ditempatkan di bagian pinggang sebelah kiri, seperti pada Gambar 1. Jika menempatkan perangkat di bagian lainnya diperlukan konfigurasi ulang untuk menyesuaikan sudut kemiringan.Proses deteksi jatuh mulai dari pembacaan data sensor accelerometer hingga pengambilan kesimpulan apakah terjadi jatuh, ditunjukkan pada Gambar 2.
Gambar 1. Penempatan perangkat smartphone
Gambar 2. Proses deteksi jatuh
3.2 Proses Deteksi Jatuh
Saat perangkat dikenakan oleh lanjut usia, sensor accelerometer secara terus menerus membaca setiap perubahan akselerasi pada sumbu x, y, dan z. Besaran ketiga sumbu tersebut digunakan untuk menghitung total akselerasi AT dengan menggunakan Persamaan (1).
(1) Besaran akselerasi yang dihasilkan oleh sensor
dipengaruhi oleh massa dari perangkat, gaya, dan percepatan gravitasi. Gambar 3 menunjukkan bahwa ketika perangkat smartphone diletakkan secara mendatar akan menghasilkan akselerasi untuk sumbu x, dan y sebesar 0 m/s2 sedangkan pada sumbu z sebesar 9.81 m/s2. Untuk mendapatkan hasil pembacaan akselerasi yang sebenarnya pengaruh gravitasi bumi dapat dihilangkan dengan melakukan filter.
Gambar 3. Akselerasi tanpa filter
Terdapat dua filter yang dapat diterapkan yaitu low pass filter dan high pass filter. Penelitian yang dilakukan oleh Bylemans et al.(2009) terkait dengan deteksi langkah yang memanfaatkan sensor accelerometermenggunakan dua filter tersebut. Namun, pada penelitian ini hanya menggunakan high pass filter. Persamaan (2) digunakan untuk melakukan high pass filter. ACCnew adalah data yang diperoleh dari masing-masing sumbu accelerometer. Setelah dilakukan high pass filter nilai akselerasi untuk sumbu z akan mendekati nol, ini berarti pengaruh dari gravitasi bumi sudah berkurang seperti yang ditunjukkan Gambar 4.Filtering ini dilakukan sebelum menghitung nilai total akselerasi AT.
ACCHPavg = ACCnew * 0.1 + ACCHPavg * 0.9 ACCHPFiltered = ACCnew – ACCHPavg (2)
Gambar 4. Akselerasi dengan filtering Ketika jatuh tubuh akan menyentuh bidang yang lebih rendah dari sebelumnya dengan posisi tertentu. Pada penelitian ini posisi jatuh dikelompokkan menjadi empat, yaitu telungkup, tengadah, posisi kesamping kanan, dan samping kiri. Untuk membedakan posisi tersebut digunakan sudut kemiringan. Sudut kemiringan terdiri dari tiga, sudut kemiringan dari sisi sumbu x, y, dan z yang selanjutnya menggunakan notasi TAx, TAy, dan TAz, seperti ditunjukkan pada Persamaan (3), (4), dan (5). Sebelumnya persamaan ini pernah digunakan oleh Chen et al., (2011). Namun, Chen hanya menggunakan TAz dan diterapkan pada modul mikrokontroler. Ax, Ay, dan Azadalah besaran akselerasi yang dihasilkan oleh sumbu x, y, dan z tanpa melalui high pass filter. Sedangkan G adalah gravitasi bumi dengan nilai 9,81 m/s2.
TAx= arcos(Ax/G) x (180/pi) (3) TAy= arcos(Ay/G) x (180/pi) (4) TAz= arcos(Az/G) x (180/pi) (5) Saat terjadi jatuh nilai total akselerasi mengalami
peningkatan secara signifikan dibandingkan dengan aktivitas biasa, seperti yang ditunjukkanpada Gambar 5. Setelah mengalami peningkatan akselerasi hingga titik puncak kemudian akselerasi
‐5 0 5 10 15 1 24 47 70 93 116 139 162 185 208 231 254 277 x y z ‐0,1 ‐0,05 0 0,05 0,1 1 17 33 49 65 81 97 113 129 145 161 177 X Y Z
akan turun kembali karena tubuh telah menyentuh bidang yang lebih rendah dan beberapa saat tubuh dalam posisi berbaring. Ketika tubuh dalam posisi berbaring, sudut kemiringan tentu akan berubah dari posisi sebelumnya.
Gambar 5. Akselerasi saat jatuh
Saat berbaring yang diakibatkan oleh jatuh, sudut kemiringan dikelompokkan menjadi empat, yaitu sudut untuk berbaring dengan posisi telungkup, sudut untuk posisi tengadah, sudut untuk posisi samping kiri, dan sudut untuk posisi samping kanan. Berbaring dengan posisi sempurna, seperti telungkup, tengadah, samping kiri, dan samping kanan akan membentuk sudut seperti yang ditunjukkan Tabel 1. Akan tetapi, posisi jatuh tidak selalu membentuk sudut seperti Tabel 1 untuk itu dilakukan pendekatan dengan menggunakan batas minimum dan maksimum seperti pada Tabel 2.
Tabel 1. Sudut berbaring pada posisi sempurna
Posisi TAx TAy TAz Berdiri 90 0 90 Telungkup 0 90 90 Tengadah 180 90 90 Samping kiri 90 90 180 Samping kanan 90 90 0 Tabel 2. Pendekatan sudut kemiringan saat jatuh
Posisi TAx TAy TAz
min max min max min max Telungkup 0 45 75 115 75 115 Tengadah 140 180 75 115 75 115 Samping kiri 75 115 75 115 140 180 Samping
kanan 75 115 75 115 0 45
Pada saat titik puncak seperti ditunjukkan pada Gambar 5 biasanya tubuh belum berada pada posisi berbaring sehingga belum membentuk sudut seperti pada Tabel 2. Dari titik puncak hingga membentuk sudut seperti Tabel 2 masih terdapat sejumlah titik akselerasi atau sampling. Jumlahnya sekitar 6 titik hingga 12 titik akselerasi.
Titik puncak untuk total akselerasi ketika jatuh tentunya tidak selalu sama tergantung dari kecepatan pergerakan tubuh. Untuk itu diperlukan nilai ambang batas, selanjutnya disebut dengan Total Acceleration Threshold (ATth). ATth diketahui berdasarkan hasil percobaan dan diperoleh hasil sekitar 11 m/s2.
Saat nilai total akselerasi (AT) pada titik sampling tertentu lebih besar atau sama dengan nilai ambang batas (ATth), algoritme akan mengecek sepanjang 6 sampling apakah sudut TAx, TAy, dan TAz memenuhi nilai ambang batas sesuai dengan Tabel 4. Jika sepanjang sampling tersebut ditemukan kecocokan nilai sudut, algoritme akan menyimpulkan terjadinya jatuh sesuai dengan kategori yang telah ditentukan.
3.3 Cara Melakukan Pengujian
Pengujian yang dilakukan menggunakan dua jenis pengukuran yaitu sensitivity dan specificity.Sensitivity adalah kemampuan untuk mendeteksi jatuh, sedangkan specificity adalah kemampuan sistem untuk mendeteksi aktivitas biasa. Terdapat empat kondisi umum yang terjadi dalam deteksi jatuh yang akan digunakan sebagai nilai dalam pengukuran. True positive (TP) adalah kondisi ketika jatuh terjadi dan algoritme dapat mendeteksi dengan benar. False positive (FP), kondisi ini terjadi ketika algoritme mendeteksi jatuh tetapi dalam kenyataannya tidak terjadi jatuh. True negative (TN), kondisi ketika algoritme tidak mendeteksi jatuh dan dalam kenyataannya tidak terjadi jatuh. False negative (FN), kondisi ketika terjadi jatuh namun algoritme tidak mendeteksinya.
TP
TP FN (6)
TN
TN FP (7)
4. HASIL DAN PEMBAHASAN
Pengujian untuk deteksi jatuh dilakukan di atas matras, objek penelitian dilakukan pada pria orang dengan bobot sekitar 70 kilogram dan tinggi 171 cm.
Tabel 3. Desain pengujian
Kategori Aksi Jatuh ke
depan
Diakhiri dengan telungkup Jatuh dengan posisi berlutut Diakhiri dengan berdiri (Recovery) Jatuh ke
belakang
Diakhiri dengan berbaring
Diakhiri dengan berdiri (Recovery) Jatuh ke
kiri Diakhiri dengan berbaring Diakhiri dengan berdiri (Recovery) Jatuh ke
kanan
Diakhiri dengan berbaring
Aktivitas biasa Duduk-Berdiri Berjalan Berbaring-Berdiri Membungkuk, mengambil sesuatu Berlari
Total pengujian yang dilakukan untuk kategori jatuh sebanyak 120 pengujian sedangkan untuk aktivitas biasa dilakukan sebanyak 50 pengujian.
Tabel 4. Hasil pengujian untuk jatuh Kategori Jumlah Alarm Akurasi
Ya Tidak Jatuh ke depan 30 24 6 80% Jatuh ke belakang 30 21 9 70% Jatuh ke kiri 30 23 7 77% Jatuh ke kanan 30 21 9 70%
Tabel 5. Hasil pengujian untuk aktivitas biasa
Aksi Jumlah Alarm
Ya Tidak Duduk-Berdiri 10 0 10 Berjalan 10 0 10 Berbaring‐Berdiri 10 2 8 Membungkuk 10 0 10 Berlari 10 3 7
Berdasarkan tabel 5, sistem masih mendeteksi terjadinya jatuh padahal aktivitas yang dilakukan adalah berbaring kemudian dilanjutkan dengan berdiri. Begitu juga dengan aktivitas berlari yang masih dideteksi sebagai jatuh. Tabel 6 menunjukkan hasil untuk empat parameter.
Tabel 6. Perhitungan sensitivity dan specificity Parameter pengujian Jumlah
True Positive (TP) 89
False Negative (FN) 31 True Negative (TN) 45 False Positive (FP) 5
5. KESIMPULAN
Dari hasil pengujian yang dilakukan dalam mendeteksi jatuh dengan menggunakan sensor accelerometer diperoleh nilai sensitivity sebesar 74% dan spesificity sebesar 90% dari 170 kali pengujia.Pada aktivitas biasa seperti berbaring yang dilanjutkan dengan berdiri algoritme kadang-kadang masih mendeteksi sebagai kondisi jatuh, begitu juga
dengan aktivitas berlari. Hal tersebut disebabkan karena titik puncak dan sudut yang dibentuksama dengan saat terjadi jatuh sehingga diperlukan pengembangan algoritme untuk mengatasi masalah tersebut.
Posisi smartphone pada pinggang kadang-kadang berubah akibat dari gerakan jatuh, sehingga mempengaruhi sudut kemiringan. Untuk itu desain dari tempat smartphone perlu diperhatikan.
Penelitian ini masih sebatas melakukan deteksi, ke depannya pengembangan dapat dilakukan dengan menambah fitur-fitur tambahan seperti mengirim pesan singkat atau melakukan panggilan untuk meminta bantuan.
PUSTAKA
Badan Pusat Statistik [WWW Document], 2010. Badan Pus. Stat. URL http://www.bps.go.id/hasil_publikasi/stat_l
ansia_2010/index3.php?pub=Statistik%20P enduduk%20Lansia%20Indonesia%202010 %20(Hasil%20SP%202010) (accessed 5.22.13).
Bylemans, I., Weyn, M., Klepal, M., 2009. Mobile Phone-Based Displacement Estimation for Opportunistic Localisation Systems, in: Third International Conference on Mobile Ubiquitous Computing, Systems, Services and Technologies, 2009. UBICOMM ’09. Presented at the Third International Conference on Mobile Ubiquitous Computing, Systems, Services and Technologies, 2009. UBICOMM ’09, pp. 113–118.
Chen, D., Feng, W., Zhang, Y., Li, X., Wang, T., 2011. A wearable wireless fall detection system with accelerators, in: 2011 IEEE International Conference on Robotics and Biomimetics (ROBIO). Presented at the 2011 IEEE International Conference on Robotics and Biomimetics (ROBIO), pp. 2259–2263.
Dai, J., Bai, X., Yang, Z., Shen, Z., Xuan, D., 2010. PerFallD: A pervasive fall detection system using mobile phones, in: 2010 8th IEEE International Conference on Pervasive Computing and Communications Workshops (PERCOM Workshops). Presented at the 2010 8th IEEE International Conference on Pervasive Computing and Communications Workshops (PERCOM Workshops), pp. 292–297.
Dumitrache, M., Pasca, S., 2013. Fall detection system for elderly with GSM communication and GPS localization, in: 2013 8th International Symposium on Advanced Topics in Electrical Engineering (ATEE). Presented at the 2013 8th
International Symposium on Advanced Topics in Electrical Engineering (ATEE), pp. 1–6.
Fang, S.-H., Liang, Y.-C., Chiu, K.-M., 2012. Developing a mobile phone-based fall detection system on Android platform, in: Computing, Communications and Applications Conference (ComComAp), 2012. Presented at the Computing, Communications and Applications Conference (ComComAp), 2012, pp. 143– 146.
He, Y., Li, Y., Bao, S.-D., 2012. Fall detection by built-in tri-accelerometer of smartphone, in: 2012 IEEE-EMBS International Conference aon Biomedical and Health Informatics (BHI). Presented at the 2012 IEEE-EMBS International Conference on Biomedical and Health Informatics (BHI), pp. 184–187.
Khawandi, S., Daya, B., Chauvet, P., 2011. Implementation of a monitoring system for fall detection in elderly healthcare. Procedia Comput. Sci. 3, 216–220.
Kido, S., Miyasaka, T., Tanaka, T., Shimizu, T., Saga, T., 2009. Fall detection in toilet rooms using thermal imaging sensors, in: IEEE/SICE International Symposium on System Integration, 2009. SII 2009. Presented at the IEEE/SICE International Symposium on System Integration, 2009. SII 2009, pp. 83–88.
Lane, N.D., Miluzzo, E., Lu, H., Peebles, D., Choudhury, T., Campbell, A.T., 2010. A survey of mobile phone sensing. IEEE Commun. Mag. 48, 140–150.
Noury, N., Rumeau, P., Bourke, A.K., ÓLaighin, G., Lundy, J.E., 2008. A proposal for the classification and evaluation of fall detectors. IRBM 29, 340–349.
Shumway-Cook, A., Ciol, M.A., Hoffman, J., Dudgeon, B.J., Yorkston, K., Chan, L., 2009. Falls in the Medicare population: incidence, associated factors, and impact on health care. Phys. Ther. 89, 324–332. Zhao, Z., Chen, Y., Wang, S., Chen, Z., 2012.
FallAlarm: Smart Phone Based Fall Detecting and Positioning System. Procedia Comput. Sci. 10, 617–624.
