Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)Quinayàs Burgos, Cèsar AugustoQuintero Benavides, Dario FernandoRuiz Omen, Estefani2021-03-032021-03-032020-06-04http://repositorio.uan.edu.co/handle/123456789/2520PropiaFalls are the second leading cause of death in the world. For this reason, fall detection systems are widely investigated today. However, these systems often result in false positives. Similarly, the monitoring of vital signs (HR) is of great importance because they are the main signs of life and are the first parameters that are sought when an accident occurs. In addition to constantly monitoring vital signs (HR), it allows the detection of pathologies in a timely manner, providing effective care to patients. This work proposes the development and implementation of a fall detection system for people in addition to monitoring vital signs (FC). The system is based on the use of two sensors. The Kinect 2.0 sensor, which allows monitoring the fall system of one to six patients and a h7 polar sensor, which monitors vital signs (HR) of a single patient, in addition, has an alarm system that is activated by detecting a fall or alteration in vital signs (HR) by sending an e-mail with an image of the fallen patient and the state of his vital signs (HR), this image is sent together taking into account It counts the measurements of the two sensors since it allows to better determine the condition of the patient to the person in charge of their care.Las caídas son la segunda causa de muerte en el mundo1. Es por esto, los sistemas de detección de caídas, hoy en día son investigados ampliamente2. No obstante, estos sistemas suelen dar como resultado, falsos positivos. De igual manera la monitorización de los signos vitales (FC) es de gran importancia debido a que conforman las principales señales de vida y son los primeros parámetros que se buscan cuando se presenta un accidente. Además de realizar una monitorización constante de los signos vitales (FC), permite detectar patologías de manera oportuna brindando una atención eficaz a los pacientes. En este trabajo se propone el desarrollo e implementación de un sistema de detección de caídas para personas además de la monitorización de signos vitales (FC). El sistema se basa en el uso de dos sensores. El sensor Kinect 2.0, que permite la monitorización del sistema de caídas de uno hasta seis pacientes y un sensor polar h7, que realiza la monitorización de los signos vitales (FC) de un solo paciente, además, cuenta con un sistema de alarma que se activa al detectar una caída o una alteración en los signos vitales (FC) enviando un e-mail con una imagen del paciente caído y del estado en el que se encuentra sus signos vitales (FC), esta imagen se envía de manera conjunta teniendo en cuenta las mediciones de los dos sensores ya que permite determinar de mejor manera el estado del paciente a la persona encargada de su cuidado.spaAcceso abiertoDetección de caídasKinect 2.0iPi Mocap Studiofuzzy logicsignos vitalesfrecuencia cardiacasensor polar h7Trabajo de grado (Pregrado y/o Especialización)Fall detectionKinect 2.0iPi Mocap Studiofuzzy logicvital signsheart rateh7 polar sensorinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Technologies, A. W. (2018). Oximetro de Mano Edan H100B. Recuperado de https://sinebi.com/productos/oximetro-de-mano-edan-h100b.htmInternacional Electrotechnical Commision (IEC), IEC 1131 Programmable Controllers. Part 7: Fuzzy Control Programming IEC 1131-7, 1997.La frecuencia cardiaca máxima disminuye con la edad porque se reduce la actividad eléctrica del nodo sinusal. (2013, octubre 15). Recuperado de https://elmedicointeractivo.com/frecuencia-cardiaca-maxima-disminuye-edad-poue- reduce-actividad-electrica-nodo-sinusal-20131015151121045787/IPI SOFT LLC. IPi Recorder. Ipi docs. [en línea]. 2018. [citado el 5 de octubre de 2018]. Disponible en internet: http://docs.ipisoft.com/iPi_RecorderY. Nizam, M. N. Haji and M. M. Abdul, “Human Fall Detection from Depth Images using Position and Velocity of Subject,” Procedia Computer Science, vol. 105, pp. 131-137, 2017. DOI: 10.1016/j.procs.2017.01.191Cambios en los signos vitales con la edad. (2020, mayo 7). Recuperado de https://medlineplus.gov/spanish/ency/article/004019.htmDesarrollo de un Sistema Experto Basado en Logica Fuzzy para la Dosificacion de Sevoflorane (Cardioinfantil n.d.)University of Rochester Medical Center Rochester, NYJ. (2016, noviembre 14). Bluetooth en Arduino. Recuperado de https://aprendiendoarduino.wordpress.com/2016/11/13/bluetooth-en-arduino/C. González M., “Lógica Difusa: Una introducción práctica.” 2011.R. Pérez, “Procesado y Optimización de Espectros Raman mediante Técnicas de Lógica Difusa: Aplicación a la identificación de Materiales Pictóricos,” 2015.FRIAS CARRILLO, Laura. Kinect para Windows V2. Microsoft. [en línea]. México. 2014. [citado el 10 de octubre del 2018]. Disponible en internet: http://blogs.msdn.com/b/laurafrias/.Rodríguez-Marroyo., J. G.-L. (2012). Biomecánica Básica aplicada a la Actividad Física. cap 5, Equilibrio y estabilidad del cuerpo humano. Barcelona: Paidotribo, Barcelona.Osorio Ochoa, Celina et al. 2011. “Análisis de La Marcha Mediante Plataforma Kinect.”(NOVEMBER):17–21.https://www.researchgate.net/publication/235427731Galera, Alberto, and David Girbau Sala. 2009. “Sistema de Monitorización Remota de Signos Vitales Por Microondas.”González, Marvin, Amelia M Brugiati, Carlos R Barría, and Cristian Pinzón. 2018. “Diseño de Un Sistema Experto Para La Monitorización de Signos Vitales En Adultos Mayores.” 16 th LACCEI International Multi-Conference for Engineering, Education, andTechnology(1):19–21.http://www.laccei.org/LACCEI2018-Lima/stud nt_Papers/SP132.pdf.JOUR, Marcela, Judy, Ospina, Moreno, Sánchez, Manuel, Castilla Nevis, Wanumen, Luis, 2014/07/09, SISTEMA DE ALERTAS DE SIGNOS VITALES Y DE UBICACIÓN A TRAVÉS DE DISPOSITIVOS MÓVILES, CICOMER.MINISTERIO DE SALUD Y PROTECCIÓN SOCIAL, et al. Op. cit.care, l. (s.f.). Liip Smart Monitorclustersalud.(2019).vita-data-la-pulsera-que-rastrea-lossignos-vitales-en-tiempo-real. americaeconomiaSignosVitales.(2018).Recuperadodehttps://www.importancia.org/signos-vitales.p.BRUNETE, Alberto, et al. Home Camera-Based Fall Detection System for the Elderly. [en línea]. En: MDPI. 2017. P. 1-20. [citado el 10 de julio del 2018]. Disponible en internet: http://www.mdpi.com/1424-8220/17/12/2864.ISSN: 1424-8220.BAUER, Paul, et al. Modeling Bed Exit Likelihood In A Camera-Based Automated Video Monitoring Application. En: IEEE. 2017. P. 1-6RAJABI, H. y. (marzo 11 del 2015). An Intelligent Video Surveillance System for Fall and Anesthesia Detection for Elderly and Patients. IEEETechnology, I. o. (2018). Proyecto de la School of Electrical and Computer Engineering. Georgia.SENOCARE. (17 septiembre del 201). sensores Optiscan de prevención de caídas durante la noche. Madrid: SENOCAREtopasistencia. (2018). detector-de-caídasKOMARIĆ, Božidar. El dispositivo FallWatch Vigi'Fall. [en línea]. croacia :17 junio del2013.Disponibleeninternet:http://www.racunalo.com/fallwatch-vigifall-uredaj-uz- pomoc-tehnologije-i-eu-olaksava-zivot-starijih-ljudi/ENSE4 CARE. (31 de agosto de 2018). Detector de caídas angel 4OMS, O. Y. (julio, 2007). Clasificación Estadística Internacional de Enfermedades y Problemas Relacionados con la Salud. Washington: ORGANIZACIÓN MUNDIAL DE LA SALUD (OMS)MINISTERIO DE LA PROTECCIÓN SOCIAL. Resolución número 1446 de 8 mayo de 2006. [en línea]. Ministerio de salud, 2006. Monitoria del Sistema Obligatorio de Garantía de Calidad de la Atención en Salud. [citado el 28 de julio de 2018]. Disponibleeninternet: https://www.minsalud.gov.co/normatividad_nuevo/resolución 1446 de 2006 - anexo técnico.pdfO. Kerdjidj, N. Ramzan, K. Ghanem, A. Amira, and F. Chouireb, “Fall detection and human activity classification using wearable sensors and compressed sensing,” J. Ambient Intell. Humaniz. Comput., Jan. 2019. DOI: 10.1007/s12652-019-01214-4Heal. Informatics, vol.23,no.1,pp.314323,Jan.2019.DOI:10.1109/JBHI.2018.280828N. Lu, Y. Wu, L. Feng, and J. Song, “Deep Learning for Fall Detection: Three-Dimensional CNN Combined With LSTM on Video Kinematic Data,” IEEE J. Biomed.L. P. Malasinghe, N. Ramzan, and K. Dahal, “Remote patient monitoring: a comprehensive study,” J. Ambient Intell. Humaniz. Comput., vol. 10, no. 1, pp. 57–76, Jan. 2019. DOI: 10.1007/s12652-017-0598-xP. Van Thanh et al., “Development of a Real-Time, Simple and High-Accuracy Fall Detection System for Elderly Using 3-DOF Accelerometers,” Arab. J. Sci. Eng., vol. 44, no. 4, pp. 3329–3342, Apr. 2019. DOI: 10.1007/s13369-018-3496-4A, Amini, K. Banitsas, and W. R. Young, “Kinect4FOG: monitoring and improving mobility in people with Parkinson’s using a novel system incorporating the Microsoft Kinect v2,” Disabil. Rehabil. Assist. Technol., pp. 1–8, May 2018. DOI: 10.1080/17483107.2018.1467975DEPARTAMENTO ADMINISTRATIVO NACIONAL DE ESTADÍSTICA – DANE. Reloj de población. [en línea]. Población proyectada a la fecha. 10 de julio de 2018. Notas descriptivas, c. [citado el 10 de julio de 2018]. Disponible en internet: http://www.dane.gov.co/reloj/.ORGANIZACIÓN MUNDIAL DE LA SALUD (OMS). Op. cit.Paola A Quiceno Bedoya, Patricia Solarte v, “CALIDAD DE VIDA EN PACIENTES DEL PROGRAMA DE REHABILITACIÓN CARDIACA”. Fundación universitaria del área andina seccional pereira facultad ciencias de la salud CALI, VALLE, 2016A, K. Bourke, J. V. O’Brien, and G. M. Lyons, “Evaluation of a threshold-based tri-axial accelerometer fall detection algorithm,” Gait Posture, vol. 26, no. 2, pp. 194–199, Jul. 2007. DOI: 10.1016/j.gaitpost.2006.09.012A K. Bourke, P. W. J. van de Ven, A. E. Chaya, G. M. OLaighin, and J. Nelson, “Testing of a long-term fall detection system incorporated into a custom vest for the elderly,” in 2008 30th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2008, pp. 2844–2847. DOI: 10.1109/IEMBS.2008.4649795D. N. Olivieri, I. Gómez Conde, and X. A. Vila Sobrino, “Eigenspace-based fall detection and activity recognition from motion templates and machine learning,” Expert Syst. Appl., vol. 39, no. 5, pp. 5935–5945, Apr. 2012. DOI: 10.1016/j.eswa.2011.11.109L. P. Malasinghe, N. Ramzan, and K. Dahal, “Remote patient monitoring: a comprehensive study,” J. Ambient Intell. Humaniz. Comput., vol. 10, no. 1, pp. 57–76, Jan. 2019. DOI: 10.1007/s12652-017-0598-xP. Van Thanh et al., “Development of a Real-Time, Simple and High-Accuracy Fall Detection System for Elderly Using 3-DOF Accelerometers,” Arab. J. Sci. Eng., vol. 44, no. 4, pp. 3329– 3342, Apr. 2019. DOI: 10.1007/s13369-018-3496-4A Amini, K. Banitsas, and W. R. Young, “Kinect4FOG: monitoring and improving mobility in people with Parkinson’s using a novel system incorporating the Microsoft Kinect v2,” Disabil. Rehabil. Assist. Technol., pp. 1–8, May 2018. DOI: 10.1080/17483107.2018.1467975.ORGANIZACIÓN MUNDIAL DE LA SALUD (OMS). Caídas. [en línea]. Centro de prensa. 16 de enero de 2018. Notas descriptivas.,” 2019. [Online]. Available: http://www.who.int/es/news-room/fact-sheets/detail/falls. [Accessed: 27-May-2019]instname:Universidad Antonio Nariñoreponame:Repositorio Institucional UANrepourl:https://repositorio.uan.edu.co/