Utilisation de la vision numérique pour l'estimation d'un coefficient de friction afin d'évaluer un risque de chute dans une application d'assistance aux personnes
Bibliographic record
Abstract
Ce mémoire présente une solution basée sur un téléphone intelligent pour aider les personnes atteintes d’une perte de l’acuité visuelle (PAPAV) à se déplacer d’une manière autonome dans les environnements urbains. Contrairement aux travaux de recherche précédents, le nouveau système proposé dans ce projet de recherche vise à déterminer le coefficient de friction (COF) d’un sol pour aider à la sécurité des déplacements des PAPAV. Grâce à des réseaux de neurones convolutifs (CNN) entrainés pour estimer le coefficient de friction, les travaux de recherche offrent ensuite la possibilité de prévoir un risque de chute pour le prochain pas du cycle de marche en déterminant la force de friction statique du sol en avant de la personne. En effet, la caméra d’un téléphone intelligent commercial capture la vidéo du sol et envoie l’image comme entrée au modèle CNN pour la segmentation de l’image et le calcul COF. Nous avons validé notre modèle proposé dans des expériences réelles réalisées sur 8 types de sols, tout en expérimentant différents modèles de réseaux de neurones et différents optimisateurs. Le système proposé offre une grande précision (96,04 %) pour guider les personnes ayant une déficience visuelle plus efficacement que les approches de navigation traditionnelles. Les résultats rapportés montrent comment la méthode étudiée dépasse les travaux existants, ce qui rend le système de navigation d’assistance proposé relativement simple et convivial. Aussi, notre travail a été focalisé sur l’évaluation d’un risque de chute suite à l’estimation du COF du sol et l’évaluation des paramètres de la marche de la personne acquis avec une semelle intelligente qui a été développée au laboratoire LAR.i de l’Université du Québec à Chicoutimi (UQAC). De ce fait, nous avons conçu un modèle biomécanique modélisant le coup de talon (heel strike) et la propulsion avant le décollage des orteils (heel off). Enfin, afin de déterminer le risque de chute, nous avons combiné toutes ces données dans une simulation du modèle biomécanique, permettant d’estimer un risque de chute qui traduit la capacité d’une personne à maintenir son équilibre au prochain coup de talon. En conclusion, l’originalité de ce projet réside dans l’utilisation d’un système de vision numérique combiné avec une semelle intelligente pour ajouter une fonctionnalité importante dans les systèmes d’assistance des PAPAV et de réduire les risques de chutes. Ce modèle permet l’analyse du maintien de l’équilibre d’une personne incluant des perturbations. Ainsi, la mise en oeuvre du modèle suggéré sera possible dans un téléphone intelligent combiné avec la semelle instrumentée qui deviendra un outil d’assistance aux déplacements dans un milieu urbain.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".