Thermal Fall 66: A robust dataset for thermal imaging-based fall detection and eldercare
Notice bibliographique
Résumé
Fall-related injuries pose a significant health risk, particularly among the elderly population, necessitating advancements in fall detection technologies. While traditional sensor-based methods offer some solutions, they are limited by issues, like user compliance and unreliability in high-stakes situations. Computer vision (CV) and artificial intelligence (AI)-based alternatives, notably thermal imaging, emerge as promising, privacy-preserving tools. However, the lack of standardized, generalizable benchmark datasets hampers the validation of these technologies’ effectiveness. The Thermal Fall 66 (TF-66) dataset introduced in this work addresses this crucial gap by providing an extensive, diverse collection of fall scenarios, recorded in various environments and featuring a wide range of participants. This dataset introduces sample subsets for tailored model training and a comprehensive data generator for customized access, setting a new benchmark in fall detection research. A baseline three-dimensional convolutional neural network (3D CNN) was trained to demonstrate the dataset’s suitability for supervised deep learning. As TF-66 continues to evolve, it aims to include even more diverse environments, such as bathrooms and staircases, further enhancing its applicability and serving as a robust resource for the research community. This work contributes significantly to the field by offering a dataset that not only improves the reliability of fall detection systems (FDS) but also facilitates a standardized approach to evaluating and advancing these technologies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».