Osoby starsze i cierpiące z powodu chorób takich jak osteoporoza, epilepsja czy innych zaburzeń poruszania są narażone na częste upadki i związane z nimi obrażenia. W przypadku poważnego upadku takie osoby mogą stracić przytomność i nie będą w stanie prosić o pomoc. Istnieje więc potrzeba stworzenia prostego w użyciu systemu do wykrywania upadków, który poinformuje opiekunów chorego o ewentualnym groźnym upadku. Powstało wiele prac naukowych w dziedzinie wykrywania upadków, a zaprezentowane rozwiązania dają bardzo obiecujące wyniki. Niestety wiele z tych rozwiązań jest też w pewien sposób ograniczona np.: działają tylko w jednym pomieszczeniu, są drogie, są skomplikowane.W tej pracy skupiłem się na budowie systemu wykrywania upadków, który wykorzystuje mały akcelerometr noszony przez pacjenta. Opisałem i przeanalizowałem prace dotyczące wykrywania upadków. Porównałem zaprezentowane algorytmy. Z pomocą wolontariuszy stworzyłem bazę upadków. Zebrałem ponad 300 próbek upadków i ponad 2400 próbek innych czynności. Dane zbierałem używając urządzenia Shimmer i smartfona Nexus 5. Aplikacja działająca w czasie rzeczywistym została napisana w środowisku Matlab i korzysta z urządzenia Shimmer. Charakteryzuje się wysoką dokładnością - ponad 92%. Najlepszy algorytm który został zaimplementowany poprawnie klasyfikował upadki w 99% przypadków.

Elderly and people suffering from diseases such as osteoporosis, epilepsy or any other gait disorder are highly vulnerable for fall injuries. In case of fall event, such people might lose consciousness or be unable to call for help. Therefore there is a need for developing an easy to use, small and reliable fall detection system that will inform caregivers about any dangerous fall event detected. Although there has been a lot of research in the field of fall detection and algorithms presented high accuracy, most of them are somehow limited: they work only in one room, thay are expensive or too complicated for elderly to use.This dissertation focuses on building reliable fall detection algorithm that can utilize a small wearable accelerometer. A state of the art literature was reviewed and a number of different algorithms were described, implemented and compared. During project, a fall database was built with the help of volunteers. In total over 300 fall samples and over 2400 ADL samples were collected using Shimmer device and Nexus 5 mobile phone. A real time application was implemented in Matlab environment and utilizes Shimmer device. It has high accuracy - above 92%. The best algorithm developed during the project correctly classified a fall sample in 99% cases.