Integración ConvNeXt-YOLO mediante CVV para detectar caídas en robot social

  1. Sánchez-Girón, Celia 1
  2. García Gómez, Miguel 1
  3. Duque Domingo, Jaime 1
  4. Gómez García-Bermejo, Jaime 1
  5. Zalama Casanova, Eduardo 1
  1. 1 Universidad de Valladolid
    info

    Universidad de Valladolid

    Valladolid, España

    ROR https://ror.org/01fvbaw18

Revista:
Jornadas de Automática
  1. Cruz Martín, Ana María (coord.)
  2. Arévalo Espejo, V. (coord.)
  3. Fernández Lozano, Juan Jesús (coord.)

ISSN: 3045-4093

Año de publicación: 2024

Número: 45

Tipo: Artículo

DOI: 10.17979/JA-CEA.2024.45.10788 DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Resumen

Cada vez más personas mayores optan por vivir en su hogar, lo que ha generado una necesidad crítica de asegurar entornos seguros para esta población. Las caídas representan una de las principales causas de lesiones entre los adultos mayores. Con este estudio se busca detectar caídas implementando un sistema de visión, que puede ayudar a prevenir futuras caídas detectando potenciales problemas de salud. Aquí se propone una metodología basada en el uso de modelos de aprendizaje profundo, específicamente utilizando la técnica de Cross Validation Voting, para mejorar la generalización y la precisión en la detección de caídas a partir de imágenes. El modelo planteado ha conseguido una exactitud de un 92.95% y una pérdida del 0.1885 para el conjunto de test. El sistema de detección de caídas ha sido integrado en el robot social Temi, que se introducirá en el domicilio de los usuarios para monitorear continuamente su bienestar y proporcionar asistencia inmediata en caso de detectar una caída.

Referencias bibliográficas

  • Antonello, M., Carraro, M., Pierobon, M., Menegatti, E., 2017. Fast and robust detection of fallen people from a mobile robot. In: 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). IEEE, pp. 4159–4166. DOI: https://doi.org/10.1109/IROS.2017.8206276
  • Anwary, A. R., Rahman, M. A., Muzahid, A. J. M., Ul Ashraf, A. W., Patwary, M., Hussain, A., 2022. Deep learning enabled fall detection exploiting gait analysis. In: 2022 44th Annual International Conference of the IEEE Engineering in Medicine Biology Society (EMBC). pp. 4683–4686. DOI: 10.1109/EMBC48229.2022.9871964 DOI: https://doi.org/10.1109/EMBC48229.2022.9871964
  • Domingo, J. D., Aparicio, R. M., Rodrigo, L. M. G., 2022. Cross validation voting for improving CNN classification in grocery products. IEEE Access 10, 20913–20925. DOI: https://doi.org/10.1109/ACCESS.2022.3152224
  • EIAROB, 2022. Ecosistema de inteligencia ambiental para el apoyo a los cuidados de larga duración en el hogar mediante uso de robots sociales. https://www.itap.uva.es/en/eiarob/.
  • INE, 2023.
  • Jocher, G., Chaurasia, A., Qiu, J., Jan. 2023. Ultralytics YOLO. URL: https://github.com/ultralytics/ultralytics
  • Kwolek, B., Kepski, M., 2014. Human fall detection on embedded platform using depth maps and wireless accelerometer. Computer Methods and Programs in Biomedicine 117 (3), 489–501. DOI: https://doi.org/10.1016/j.cmpb.2014.09.005
  • Liu, Z., Mao, H., Wu, C.-Y., Feichtenhofer, C., Darrell, T., Xie, S., 2022. A ConvNet for the 2020s. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. pp. 11976–11986. DOI: https://doi.org/10.1109/CVPR52688.2022.01167
  • Maldonado-Bascón, S., Iglesias-Iglesias, C., Martín-Martín, P., Lafuente-Arroyo, S., 2019. Fallen people detection capabilities using assistive robot. Electronics 8 (9), 915. DOI: https://doi.org/10.3390/electronics8090915
  • Martínez-Villasenor, L., Ponce, H., Brieva, J., Moya-Albor, E., Núñez-Martínez, J., Penafort-Asturiano, C., 2019. Up-fall detection dataset: A multimodal approach. Sensors 19 (9), 1988. DOI: https://doi.org/10.3390/s19091988
  • Merino-Fidalgo, S., Zalama, E., Gómez-García-Bermejo, J., Duque-Domingo, J., Gómez, R., Viñas, P., García, D., Uruena, H., May 2023. Sistema de monitorización no intrusiva para vivienda de personas mayores. Jornadas Nacionales de Robótica y Bioingeniería 2023: Libro de actas, 115–121. No publicado. DOI: 10.20868/UPM.BOOK.74896 DOI: https://doi.org/10.20868/UPM.book.74896
  • Quinayas Burgos, C. A., Quintero Benavidez, D. F., Ruíz Omen, E., Narváez Semanate, J. L., 2020. Sistema de detección de caídas en personas utilizando vídeo vigilancia. Ingeniare. Revista chilena de ingeniería 28 (4), 684–693. DOI: https://doi.org/10.4067/S0718-33052020000400684
  • Rao, S., Pramod, N., Paturu, C. K., 2008. People detection in image and video data. In: Proceedings of the 1st ACM Workshop on Vision Networks for Behavior Analysis. pp. 85–92. DOI: https://doi.org/10.1145/1461893.1461909
  • SAM, Apr. 2024. Pose detection dataset. https://universe.roboflow.com/sam-vcqdz/pose-detection-gwapj, visited on 2024-05-16. URL: https://universe.roboflow.com/sam-vcqdz/pose-detection-gwapj
  • Schaffer, C., 1993. Selecting a classification method by cross-validation. Machine Learning 13, 135–143. DOI: https://doi.org/10.1007/BF00993106
  • Sánchez-Girón, C., García-Gómez, M., Duque-Domingo, J., Gómez-García-Bermejo, J., Zalama, E., May 2024. Detección de caídas con un robot social aplicando visión artificial. Jornadas Nacionales de Robótica y Bioingeniería 2024: Libro de actas. No publicado.
  • Temi, R., 2024. URL: https://www.robotemi.com/product/temi/
  • Workspace, Jan. 2024. Test2 dataset. https://universe.roboflow.com/workspace-3pvv7/test2-fqv2c, visited on 2024-05-16. URL: https://universe.roboflow.com/workspace-3pvv7/test2-fqv2c
Fuente de los datos: Dialnet