Détection de chute à l'aide d'une caméra de profondeur
Bibliographic record
Abstract
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.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.054 | 0.013 |
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".