Détection de chute à l'aide d'une caméra de profondeur
Notice bibliographique
Résumé
Les chutes chez les personnes âgées représentent un problème important de santé publique.\nDes études montrent qu’environ 30 % des personnes âgées de 65 ans et plus chutent chaque\nannée au Canada, entraînant des conséquences néfastes sur les plans individuel, familiale et\nsociale. Face à une telle situation la vidéosurveillance est une solution efficace assurant la\nsécurité de ces personnes.\nÀ ce jour de nombreux systèmes d’assistance de services à la personne existent. Ces\ndispositifs permettent à la personne âgée de vivre chez elle tout en assurant sa sécurité par le\nport d'un capteur. Cependant le port du capteur en permanence par le sujet est peu confortable\net contraignant. C'est pourquoi la recherche s’est récemment intéressée à l’utilisation de\ncaméras au lieu de capteurs portables.\nLe but de ce projet est de démontrer que l'utilisation d'un dispositif de vidéosurveillance peut\ncontribuer à la réduction de ce fléau. Dans ce document nous présentons une approche de\ndétection automatique de chute, basée sur une méthode de suivi 3D du sujet en utilisant une\ncaméra de profondeur (Kinect de Microsoft) positionnée à la verticale du sol. Ce suivi est\nréalisé en utilisant la silhouette extraite en temps réel avec une approche robuste d’extraction\nde fond 3D basée sur la variation de profondeur des pixels dans la scène. Cette méthode se\nfondera sur une initialisation par une capture de la scène sans aucun sujet. Une fois la\nsilhouette extraite, les 10% de la silhouette correspondant à la zone la plus haute de la\nsilhouette (la plus proche de l'objectif de la Kinect) sera analysée en temps réel selon la vitesse\net la position de son centre de gravité. Ces critères permettront donc après analyse de détecter\nla chute, puis d'émettre un signal (courrier ou texto) vers l'individu ou à l’autorité en charge\nde la personne âgée. Cette méthode a été validée à l’aide de plusieurs vidéos de chutes\nsimulées par un cascadeur.\nLa position de la caméra et son information de profondeur réduisent de façon considérable les\nrisques de fausses alarmes de chute. Positionnée verticalement au sol, la caméra permet donc\nd'analyser la scène et surtout de procéder au suivi de la silhouette sans occultation majeure, qui\nconduisent dans certains cas à des fausses alertes. En outre les différents critères de détection\nde chute, sont des caractéristiques fiables pour différencier la chute d'une personne, d'un\naccroupissement ou d'une position assise. Néanmoins l'angle de vue de la caméra demeure un\nproblème car il n'est pas assez grand pour couvrir une surface conséquente. Une solution à ce\ndilemme serait de fixer une lentille sur l'objectif de la Kinect permettant l’élargissement de la\nzone surveillée.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,054 | 0,013 |
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 source (Gemma direct ou Codex distillé), 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 ».