Bedtime Monitoring for Fall Detection and Prevention in Older Adults

Abstract

Life expectancy has increased, so the number of people in need of intensive care and attention is also growing. Falls are a major problem for older adult health, mainly because of the consequences they entail. Falls are indeed the second leading cause of unintentional death in the world. The impact on privacy, the cost, low performance, or the need to wear uncomfortable devices are the main causes for the lack of widespread solutions for fall detection and prevention. This work present a solution focused on bedtime that addresses all these causes. Bed exit is one of the most critical moments, especially when the person suffers from a cognitive impairment or has mobility problems. For this reason, this work proposes a system that monitors the position in bed in order to identify risk situations as soon as possible. This system is also combined with an automatic fall detection system. Both systems work together, in real time, offering a comprehensive solution to automatic fall detection and prevention, which is low cost and guarantees user privacy. The proposed system was experimentally validated with young adults. Results show that falls can be detected, in real time, with an accuracy of 93.51%, sensitivity of 92.04% and specificity of 95.45%. Furthermore, risk situations, such as transiting from lying on the bed to sitting on the bed side, are recognized with a 96.60% accuracy, and those where the user exits the bed are recognized with a 100% accuracy.

La esperanza de vida ha aumentado, por lo que también crece el número de personas que necesitan cuidados y atención intensivos. Las caídas son un problema importante para la salud de los adultos mayores, principalmente por las consecuencias que conllevan. Las caídas son, de hecho, la segunda causa principal de muerte no intencional en el mundo. El impacto en la privacidad, el coste, el bajo rendimiento o la necesidad de llevar dispositivos incómodos son las principales causas de la falta de soluciones generalizadas para la detección y prevención de caídas. Este trabajo presenta una solución centrada en la hora de dormir que aborda todas estas causas. La salida de la cama es uno de los momentos más críticos, especialmente cuando la persona sufre un deterioro cognitivo o tiene problemas de movilidad. Por ello, este trabajo propone un sistema que monitorice la posición en la cama con el fin de identificar situaciones de riesgo lo antes posible. Este sistema también se combina con un sistema automático de detección de caídas. Ambos sistemas trabajan en conjunto, en tiempo real, ofreciendo una solución integral para la detección y prevención automática de caídas, que es de bajo costo y garantiza la privacidad del usuario. El sistema propuesto fue validado experimentalmente con adultos jóvenes. Los resultados muestran que las caídas se pueden detectar, en tiempo real, con una precisión del 93,51 %, una sensibilidad del 92,04 % y una especificidad del 95,45 %. Además, las situaciones de riesgo, como pasar de estar tumbado en la cama a sentarse al lado de la cama, se reconocen con un 96,60 % de precisión, y aquellas en las que el usuario sale de la cama se reconocen con un 100 % de precisión. El sistema propuesto fue validado experimentalmente con adultos jóvenes. Los resultados muestran que las caídas se pueden detectar, en tiempo real, con una precisión del 93,51 %, una sensibilidad del 92,04 % y una especificidad del 95,45 %. Además, las situaciones de riesgo, como pasar de estar tumbado en la cama a sentarse al lado de la cama, se reconocen con un 96,60 % de precisión, y aquellas en las que el usuario sale de la cama se reconocen con un 100 % de precisión. El sistema propuesto fue validado experimentalmente con adultos jóvenes. Los resultados muestran que las caídas se pueden detectar, en tiempo real, con una precisión del 93,51 %, una sensibilidad del 92,04 % y una especificidad del 95,45 %. Además, las situaciones de riesgo, como pasar de estar tumbado en la cama a sentarse al lado de la cama, se reconocen con un 96,60 % de precisión, y aquellas en las que el usuario sale de la cama se reconocen con un 100 % de precisión