Un sistema di rilevamento cadute basato su telecamere RGB per l'assistenza sanitaria all'anziano

Falls are one of the most common causes of injury and complications among the elderly. In the United States, these events are the leading cause of complications related to unintentional injuries in adults aged 65 years and older. The fall of an elderly person can result in physical consequences such as fractures, internal injuries, pain and disability. In some cases, it can also cause psychological consequences such as anxiety, depression and loss of independence. Most traditional fall detection algorithms traditional ones work by analyzing accelerometer and gyroscope data from a device to determine whether a fall has occurred. Some systems incorporate other sensors such as a barometer to help determine the height of the fall. Unfortunately, such fall detectors are typically device-based wearables, and the elderly often forget them or have no intention of wearing them. In recent years, deep learning has been applied to fall detection to address these problems while also trying to improve accuracy and reduce false alarms. Specifically, the goal is to obtain reliable systems by training deep learning models on large datasets of falls to recognize patterns and features associated with them. Currently, fall detectors based on computer vision are not yet commercially available, but research continues investigating methodologies that are increasingly applicable in real-world contexts. In this thesis, we aims to present a proposal for a low-cost fall detector for assitance health care to the elderly based on the use of convolutional neural networks and algorithms of Motion History Image. The fall detection objective was modeled as a binary classification problem (fall, not fall) in which label prediction is either performed frame-by-frame or in batch. Tests conducted on more than 140 different video of falls showed a total accuracy value of more than 96 percent.

Le cadute sono una delle cause più comuni di lesioni e complicazioni tra gli anziani. Negli Stati Uniti, questi eventi sono la principale causa di complicazioni correlata a lesioni non intenzionali negli adulti di età pari o superiore a 65 anni. La caduta di un anziano può comportare conseguenze fisiche come fratture, lesioni interne, dolore e disabilità. In alcuni casi, può anche causare conseguenze psicologiche come ansia, depressione e perdita di autonomia. Gli algoritmi di rilevamento delle cadute più tradizionali funzionano analizzando i dati dell’accelerometro e del giroscopio da un dispositivo per determinare se si è verificata una caduta. Alcuni sistemi incorporano anche altri sensori come un barometro per aiutare a determinare l’altezza della caduta. Purtroppo, tali rilevatori di caduta sono in genere basati su dispositivi indossabili e gli anziani spesso li dimenticano o non hanno intenzione di indossarli. Negli ultimi anni, il deep learning è stato applicato al rilevamento delle cadute per far fronte a questi problemi cercando inoltre di migliorare l’accuratezza e ridurre i falsi allarmi. In particolare, l’obiettivo consiste nell’ ottenere sistemi affidabili addestrando i modelli di deep learning su grandi set di dati di cadute per riconoscere pattern e caratteristiche associate ad esse. Al momento, i rilevatori di caduta basati sulla visione artificiale non sono ancora disponibili sul mercato ma la ricerca continua a studiare metodologie sempre più applicabili in contensti reali. In questa tesi, si vuole presentare una proposta di rilevatore di caduta a basso costo per l’assitenza sanitaria all’anziano basato sull’utilizzo di reti neurali convoluzionali e algoritmi di Motion History Image. L’obiettivo della fall detection è stato modellato come un problema di classificazione binaria (fall, not fall) in cui la predizione delle label viene effettuata frame-by-frame oppure in batch. I test condotti su oltre 140 diversi video di caduta hanno mostrato un valore di accuracy totale superiore al 96%.