Ir al contenido

Documat


Resumen de An indoor fall detection system for patients and elders

Jesús Darío Romero Ávila

  • En los últimos años, la población de los países desarrollados está sufriendo un envejecimiento continuado. De hecho, los mayores de 60 años representan ya el 11% de la población mundial, y se estima que este grupo de edad crecerá hasta el 18% en el año 2050. La población de edades avanzadas necesitará, en el futuro, mayor atención médica, lo cual se traducirá en un mayor gasto sanitario. Los costes médicos crecientes se pueden reducir disminuyendo el número de visitas médicas a hospitales y centros de salud";" esto se puede lograr empleando nuevas tecnologías que permitan realizar, por ejemplo, monitorización de personas mayores y pacientes en el hogar, evitando de esta forma tanto que los pacientes acudan a los hospitales, como la visita médica a domicilio. Este tipo de atención sanitaria se puede considerar útil en determinadas ocasiones, por ejemplo cuando existe una alta probabilidad de caídas y lesiones, como puede suceder con ancianos o pacientes con enfermedades neurológicas, como el Parkinson, la polineuropatía o la epilepsia, dado que la monitorización alertará al personal especializado de la ocurrencia de una caída, que podrá actuar justo en ese momento y acudir al domicilio del paciente. En la actualidad, la tecnología de telecomunicaciones se emplea ya en el ámbito médico para el diagnóstico y tratamiento de enfermedades, y para el cuidado general del paciente (telemedicina). Existen en el presente numerosas compañías comerciales que ofrecen sistemas de monitorización, así como dispositivos que posibilitan el continuo desarrollo de la telemedicina, y que permiten una comunicación inalámbrica con el centro de salud u hospital correspondiente. El objetivo de este trabajo es detectar caídas de pacientes o ancianos en sus domicilios utilizando vídeos de cámara simple (sin información estéreo). Los objetivos específicos son: Encontrar el fondo de la escena Detectar los objetos de la escena Hacer seguimiento a la persona en la escena Detectar caídas de la persona Emitir una alerta si se detectó una caída El hardware utilizado fue una computadora portátil Core 2 Duo de 2.4 Ghz, una computadora de escritorio Core i5 de 3.1 Ghz, y una cámara Sony SR-67. Además se utilizó un trípode grande de 82¿ y un trípode pequeño de 10¿. Las librerías de software utilizadas fueron la librería OpenCV de procesamiento de imágenes y la librería FFmpeg para lectura/escritura de vídeo. Los lenguajes de programación utilizados fueron C#, C++ y C++/CLI. Para la interfaz de usuario se utilizó .NET Framework. Para el trabajo se utilizaron las imágenes clásicas Lena, Baboon, Peppers, Jelly Beans, House obtenidas de http://sipi.usc.edu/database/. Se utilizaron también las imágenes de entrenamiento de la colección de imágenes BSDS500. Las colecciones de vídeo utilizadas son la colección Wallflower, una colección de tres vídeos de detección de caídas grabada por el autor, y una colección de 24 vídeos de caídas obtenida de http://www.iro.umontreal.ca/~labimage/Dataset/. El sistema de detección de caídas tiene cuatro capas: capa de interfaz de usuario, capa proxy, capa de dominio y capa técnica. El sistema está formado por dos aplicaciones: un detector de caídas y un programa supervisor que se encarga de recibir notificaciones sobre las mismas. El detector de caídas está formado por la capa de interfaz de usuario compuesta por la aplicación escrita en C# y una librería con un control de reproducción de vídeo en C#"; la capa con librerías proxy escritas en C++/CLI, utilizadas para conectar el código en C# al código en C++; la capa de dominio con librerías escritas en C++ para gestión de archivos multimedia, umbralización y detección de caídas; y la capa técnica con las librerías externas de código abierto FFmpeg (que se encarga de leer/escribir vídeo) y OpenCV (que ofrece objetos para procesamiento de imágenes digitales). El programa supervisor está escrito en C#; utiliza el mismo control de reproducción de vídeo en C# y las librerías de lectura/escritura de vídeo del programa detector de caídas; puede mostrar la actividad del paciente si es necesario;" y presenta vídeos de las caídas cuando éstas son detectadas, emitiendo además una señal audible indicando el nivel de alerta (alto o muy alto) de la caída. Para construir el sistema, se definió el Espacio de Color LRGB y se desarrollaron algoritmos de Umbralización de Color Multinivel, Detección de Caídas, y Detección del Paciente utilizando su ropa. El espacio de color LRGB puede ser utilizado para efectuar transformaciones de imágenes. Es posible mejorar la luminosidad y la intensidad de los colores por separado. Este espacio de color además podría ser utilizado para eliminar el ruido de la imagen debido a que generalmente los componentes de diferencia de color tienen más ruido que la luminosidad. Para esta tarea podría disminuirse el ruido de los componentes de color en el espacio LRGB a través de técnicas como suavizado Gaussiano, suavizado utilizando la mediana u otras. La umbralización de color multinivel permite clasificar los colores de una imagen considerando como parámetro el número de niveles a umbralizar. La clasificación de colores de una imagen puede tener múltiples aplicaciones. La información que proporciona el color de una imagen debe ser tomada en cuenta ya que permite lograr una mejor umbralización. El algoritmo HAMCOT-2 logró buenos resultados en términos de menor número de componentes conectados con alta uniformidad. Este algoritmo podría ser mejorado investigando cómo seleccionar automáticamente un número adecuado de niveles para la umbralización. Los algoritmos de detección de fondo y detección de objetos pueden ser aplicados en otros trabajos de investigación que requieran encontrar los objetos de la escena. Estos algoritmos consideran cambios en la iluminación, sombras y funcionan adecuadamente cuando el fondo es estable. Estos algoritmos podrían mejorarse para manejar casos como árboles que se mueven y escenas con lluvia. El algoritmo de detección de caídas alcanzó una sensibilidad de 84.7% y una especificidad de 91.4%. Este algoritmo puede ser complementado utilizando información en tres dimensiones obtenida con varias cámaras o cámaras 3D. El paso de Detección del Paciente usando su ropa podría extenderse detectando dos o más prendas diferentes. También podría utilizarse una base de datos con colores de prendas a buscar y considerar la textura. Con la implementación de la detección de caídas, los objetivos planteados en la tesis fueron alcanzados. Adicionalmente al objetivo de la tesis de utilizar el sistema en los domicilios de los pacientes y ancianos, el sistema puede ser utilizado en hospitales cuando el paciente se encuentra solo en una habitación. En este caso, el paso opcional de detección del paciente puede ser utilizado debido a que las batas de hospital son de color uniforme. Los algoritmos fueron probados y validados, alcanzando los resultados antes descritos. Los principales aportes de la tesis son la definición del espacio de color LRGB, la umbralización de color multinivel, el modelado del fondo, la detección de objetos, y el algoritmo de detección de caídas.


Fundación Dialnet

Mi Documat