Stürze bei älteren Menschen stellen weltweit eine der häufigsten Ursachen für Verletzungen und Mortalität dar, wodurch zuverlässige und Echtzeit-Überwachungslösungen notwendig werden. Diese Studie zielt darauf ab, ein leichtgewichtiges, genaues und effizientes Fallerkennungssystem basierend auf einem verbesserten YOLOv5s-Modell zu entwickeln. Die vorgeschlagene Architektur integriert ein Convolutional Block Attention Module (CBAM), um die Extraktion bemerkenswerter Merkmale zu verbessern, optimiert die Fusion von Mehrfachmerkmale in den Neck für eine bessere Erkennung kleiner Objekte und re-clustered Ankerboxen, die auf die horizontale Morphologie von Stürzen älterer Menschen abgestimmt sind. Ein Multi-Szenen-Datensatz mit 11.314 Bildern wurde erstellt, um die Leistung unter verschiedenen Licht-, Verdeckungs- und räumlichen Bedingungen zu evaluieren. Die experimentellen Ergebnisse zeigen, dass das verbesserte YOLOv5s eine mittlere Genauigkeit von 94,2% (mAP@0.5), eine Rückrufquote von 92,5% und eine Fehlalarmrate von 4,2% erreicht, was eine bessere Leistung als die Baseline YOLOv5s- und YOLOv4-Modelle darstellt und dabei eine Echtzeit-Erkennungsgeschwindigkeit von 32 FPS beibehält. Diese Ergebnisse bestätigen, dass die Integration von Aufmerksamkeitsmechanismen, adaptiver Fusion und Ankeroptimierung die Robustheit und Generalisierung erheblich verbessert. Obwohl die Leistung unter extremen Lichtverhältnissen oder starker Verdeckung leicht abnimmt, hebt diese Einschränkung zukünftige Chancen für multimodale Fusion und beleuchtungsinvariante Modellierung hervor. Insgesamt trägt die Studie zu einem skalierbaren und implementierbaren KI-Rahmenwerk bei, das die Kluft zwischen algorithmischer Innovation und praktischen Anwendungen in der Altenpflege überbrückt und intelligente sowie nicht-invasive Sicherheitsüberwachung in alternden Gesellschaften vorantreibt.
Yang et al. (Wed,) haben diese Frage untersucht.