Système de détection de chutes basé sur la vision pour améliorer la sécurité des personnes âgées

La reconnaissance des mouvements humains est très utile pour plusieurs applications, telles que les chambres intelligentes, les systèmes de réalité virtuelle interactive, la détection humaine et la modélisation de l'environnement. L'objectif de ce travail se concentre sur la détection et la classification des chutes sur la base des variations de la forme de la silhouette humaine, un défi clé en vision par ordinateur. Les chutes représentent un problème de santé majeur, en particulier pour les personnes âgées. Dans cette étude, la détection est réalisée avec un schéma de surveillance de moyenne mobile exponentiellement pondérée multivariée (MEWMA), qui est efficace pour détecter les chutes car il est sensible aux petits changements. Malheureusement, une statistique MEWMA ne parvient pas à différencier les vraies chutes de certains gestes semblables à des chutes. Pour remédier à cette limitation, une étape de classification basée sur une machine à vecteurs de support (SVM) est appliquée sur les séquences détectées. Pour valider cette méthodologie, deux ensembles de données de détection de chutes ont été testés : l'ensemble de données de détection de chutes de l'Université de Rzeszow (URFD) et l'ensemble de données de détection de chutes (FDD). Les résultats de la SVM basée sur MEWMA sont comparés à trois autres classificateurs : réseau de neurones (NN), Bayes naïf et K-plus proches voisins (KNN). Ces résultats montrent la capacité de la stratégie développée à distinguer les événements de chute, suggérant qu'elle peut déclencher une alerte précoce lors des incidents de chute.