Provendo um modelo automático de detecção de quedas baseado em rede adversária generativa para assistência de idosos
Resumo
As quedas são um grave problema de saúde pública e as pessoas com mais de 65 anos estão entre as mais vulneráveis a lesões graves decorrentes de uma queda. Este artigo propõe e avalia um modelo de arquitetura de rede neural, chamada de CNN Video Stream Combination (CVSC), para melhorar o monitoramento e a segurança de idosos. É proposto o uso de uma rede neural generativa para calcular a pontuação de anomalia. Propõe-se um modelo capaz de trabalhar simultaneamente com câmeras RGB e infravermelho, pois as quedas de idosos frequentemente ocorrem em ambientes com pouca luz. O CVSC utilizando câmera RGB apresentou 97,00% de sensibilidade e com câmera infravermelho obteve 94,00% de sensibilidade.
Referências
Chen, Z., Wang, Y., and Yang, W. (2021). Video based fall detection using human poses.
Dai, J., Li, Y., He, K., and Sun, J. (2016). R-fcn: Object detection via region-based fully convolutional networks.
Khan, S. S., Nogas, J., and Mihailidis, A. (2020). Spatio-temporal adversarial learning for detecting unseen falls. Pattern Analysis and Applications, 24(1):381-391.
Lin, T.-Y., Maire, M., Belongie, S., Bourdev, L., Girshick, R., Hays, J., Perona, P., Ramanan, D., Zitnick, C. L., and Dollár, P. (2015). Microsoft coco: Common objects in context.
Liu, W., Luo, W., Lian, D., and Gao, S. (2018). Future frame prediction for anomaly detection - a new baseline. In 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, pages 6536-6545.
Mehta, V., Dhall, A., Pal, S., and Khan, S. S. (2021). Motion and region aware adversarial learning for fall detection with thermal imaging. In 2020 25th International Conference on Pattern Recognition (ICPR), pages 6321-6328.
Mshali, H., Lemlouma, T., and Magoni, D. (2018). Adaptive monitoring system for e-health smart homes. Pervasive and Mobile Computing, 43:1 - 19.
Nogas, J., Khan, S., and Mihailidis, A. (EasyChair, 2019). Fall detection from thermal camera using convolutional lstm autoencoder. EasyChair Preprint no. 824.
OpenCV (2022). OpenCV modules. https://docs.opencv.org/4.x/. Acessado em: 31 de Janeiro de 2022.
Pannurat, N., Thiemjarus, S., and Nantajeewarawat, E. (2014). Automatic fall monitoring: A review. Sensors, 14(7):12900-12936.
Quigley, P. A., Campbell, R. R., Bulat, T., Olney, R. L., Buerhaus, P., and Needleman, J. (2012). Incidence and cost of serious fall-related injuries in nursing homes. Clinical nursing research, 21(1):10-23.
Ramachandran, A. and Karuppiah, A. (2020). A survey on recent advances in wearable fall detection systems. BioMed Research International, 2020.
Shahroudy, A., Liu, J., Ng, T.-T., and Wang, G. (2016). Ntu rgb+d: A large scale dataset for 3d human activity analysis. In 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 1010-1019.
Shojaei-Hashemi, A., Nasiopoulos, P., Little, J. J., and Pourazad, M. T. (2018). Video-based human fall detection in smart homes using deep learning. In 2018 IEEE International Symposium on Circuits and Systems (ISCAS), pages 1-5.
Xu, Q., Huang, G., Yu, M., and Guo, Y. (2020). Fall prediction based on key points of human bones. Physica A: Statistical Mechanics and its Applications, 540(C).