Abstract About one third of home-dwelling older people suffer a fall ech year. The most consuming falls occur when the person is alone and unable to get up, resulting in long lies which are associated with institutionalisation and high morbidity-mortality rate. Even though personal emergency response systems provide applications to call for help, older people are not always able or willing to activate them. Hence, an automatic fall detection system is an important setting. Even though pilot applications and commercial fall detection systems exist, the real-life validation of these systems is scant. The aim of this study was to develop a validated acceleration-based method for fall detection to be adapted for real-life applications among older people. Methods capable of discriminating between falls and activities of daily living (ADL) were determined based on laboratory tests. The threshold-based algorithms were validated with intentional falls in 20 middle-aged test persons and ADL in 20 middle-aged and 21 older people. The algorithm for the waist with impact and end posture detection was able to discriminate falls from ADL with 97% sensitivity and 100% specificity. In order to validate the fall detection system, a field test was performed with 16 residents in elderly care units wearing a wireless sensor. During the 6-month test period, acceleration data from five real-life falls were collected. One of the falls resulted in a hip fracture. These falls showed similar features as intentional falls. However, high pre impact velocity was detected in the case with a fracture, but not in all falls with preventative actions. The system had a fall detection sensitivity of 71.4% with a false alarm rate of 1.1 alarms over a 24-hour time period in this real-life pilot test. The data from real-life falls provide important material for further development of fall detection and studies on fall mechanism and fall prevention.

Tiivistelmä Kotona asuvista yli 65-vuotiaista kaatuu vuosittain kolmannes. Mikäli kaatunut ei kykene nousemaan omin neuvoin, avun saaminen saattaa viivästyä. Tämä suurentaa sekä laitoshoitoon joutumisen todennäköisyyttä että kuoleman riskiä. Erilaisia hälytysjärjestelmiä on kyllä saatavilla, mutta ikääntyneet eivät aina kykene käyttämään niitä tai eivät jostain syystä halua tehdä hälytystä. Tämän vuoksi automaattiselle kaatumishälyttimelle on tarvetta. Tässä tutkimuksessa kehitettiin ja testattiin ikääntyneiden tarpeisiin soveltuva kiihtyvyysanturiin perustuva kaatumisen tunnistumenetelmä. Aineisto koottiin laboratorio-olosuhteissa kokeilla, joihin osallistui sekä nuoria että keski-ikäisiä. Raja-arvoon perustuvia tunnistusalgoritmeja testattiin 20 keski-ikäisen ohjeistettujen testikaatumisten sekä 20 keski-ikäisen ja 21 ikääntyneen arkisten askareiden tuottamalla datalla. Kaatumistapahtuman impaktin ja loppuasennon tunnistaminen vyötäröltä mitatuista kiihtyvyysarvoista erotteli kaatumisen muusta liikkeestä 95 % sensitiivisyydellä ja 100 % spesifisyydellä. Tunnistusmenetelmää testattiin kenttäkokeessa, jossa 16 ikääntynyttä hoitokodin asukasta piti vyötäröllään mittauslaitetta. Kuuden kuukauden aikana kiihtyvyyssignaali saatiin viidestä kaatumisesta. Yksi niistä aiheutti lonkkamurtuman. Analyysin mukaan näiden todellisten kaatumisten kiihtyvyyssignaalit muistuttivat testikaatumisia. Lonkkamurtumatapauksessa ennen impaktia mitattu nopeus oli erittäin korkea. Vastaavaa ei havaittu tapauksissa, joissa oli merkkejä siitä, että kaatumista oli yritetty estää. Kenttäkokeessa kaatumishälytysjärjestelmän sensitiivisyys oli 71.4 % ja vääriä hälytyksiä oli 1.1 vuorokaudessa. Tutkimuksessa saatua tietoa tosielämän kaatumistapahtumista voidaan käyttää hyväksi kehitettäessä kaatumisten ehkäisyä, niiden mekanismin tutkimista sekä kaatumisen tunnistusta kiihtyvyysanturien avulla.