| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 9.95 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
The elderly population faces difficulties in completing certain tasks independently, often re quiring supervision to not only assist them but also to mitigate and notify about potential
health risks. Falls, a prevalent and severe problem, pose a high risk of causing hospitaliza tions and fatalities. However, the aging population in developed countries is growing at an
unprecedented rate, while the proportion of active age individuals continues to decline. Con sequently, elderly care has become less accessible as caregivers are confronted with a larger
number of patients. Nonetheless, conventional fall detection methods, typically triggered
by victims themselves, are unreliable and inadequate. This thesis proposes an automatic
alternative to existing methods, presenting a computer vision-based Fall Detection System
(FDS) that utilizes a two-stream Inflated 3D Convolutional Neural Network (I3D) in con junction with a Recurrent Neural Network (RNN). To enhance the available datasets, a new
collection of simulated falls was created. Experimental evaluations demonstrate the superi ority of this hybrid model over state-of-the-art fall detection models, achieving an accuracy
of 94% and a recall value of 96%. By promptly and accurately detecting falls, a system
employing this model could significantly reduce the risk of severe injuries posed to the elderly
and physically disabled individuals.
Os idosos enfrentam dificuldades em completar certas tarefas sozinhos e precisam de su pervisão frequente, não só para assistí-los, mas também para mitigar e alertar para riscos potenciais de saúde. Quedas são problemas prevalentes e sérios, muitas vezes resultando em hospitalizações ou mortes. Contudo, nos países desenvolvidos, a população idosa está a crescer e a proporção de cidadãos de idade ativa a diminuir. Por consequência, cuidados a idosos tornam-se mais inacessíveis, já que enfermeiros são confrontados com um maior número de pacientes. Não obstante, métodos convencionais de deteção de quedas, que requerem, normalmente, a ativação por parte da vítima, não são confiáveis nem adequados. Esta tese propõe uma alternativa automática a estes métodos na forma de um sistema de deteção de quedas que incorpora uma rede neuronal convolucional 3D juntamente com uma rede neuronal recorrente. Para melhorar os datasets já existentes, uma nova coleção de vídeos de quedas foi criada. Este modelo híbrido revela ter performances superiores às de outros modelos, conseguindo uma acurácia de 94% e uma sensitividade de 96%. Ao ser capaz de detetar quedas precisa e imediatamente, um sistema que inclui este modelo poderá reduzir drasticamente o risco de ferimentos graves aos idosos e pessoas com deficiências físicas.
Os idosos enfrentam dificuldades em completar certas tarefas sozinhos e precisam de su pervisão frequente, não só para assistí-los, mas também para mitigar e alertar para riscos potenciais de saúde. Quedas são problemas prevalentes e sérios, muitas vezes resultando em hospitalizações ou mortes. Contudo, nos países desenvolvidos, a população idosa está a crescer e a proporção de cidadãos de idade ativa a diminuir. Por consequência, cuidados a idosos tornam-se mais inacessíveis, já que enfermeiros são confrontados com um maior número de pacientes. Não obstante, métodos convencionais de deteção de quedas, que requerem, normalmente, a ativação por parte da vítima, não são confiáveis nem adequados. Esta tese propõe uma alternativa automática a estes métodos na forma de um sistema de deteção de quedas que incorpora uma rede neuronal convolucional 3D juntamente com uma rede neuronal recorrente. Para melhorar os datasets já existentes, uma nova coleção de vídeos de quedas foi criada. Este modelo híbrido revela ter performances superiores às de outros modelos, conseguindo uma acurácia de 94% e uma sensitividade de 96%. Ao ser capaz de detetar quedas precisa e imediatamente, um sistema que inclui este modelo poderá reduzir drasticamente o risco de ferimentos graves aos idosos e pessoas com deficiências físicas.
Description
Keywords
3D CNN automatic fall detection computer vision deep learning I3D RNN