Detección de caídas de adultos mayores en imágenes térmicas utilizando normalización angular, PCA y K-NN ponderado

Palabras clave: Reconocimiento de patrones, PCA, K-NN ponderado, Registro de imágenes, Detección de caídas

Resumen

En este artículo se describe el diseño de un algoritmo capaz de clasificar imágenes térmicas de personas acostadas y no acostadas, con el objetivo de aplicarlo en un sistema de detección de caídas. Se diseñó un algoritmo de normalización automática en rotación, traslación y tamaño, aplicado a una base de datos de imágenes térmicas, con el propósito de obtener un nuevo conjunto de imágenes alineadas y así realizar una reducción de dimensionalidad mediante PCA. Se utilizaron secuencias de 100 fotogramas, y se produjeron tanto secuencias de caídas como de no caídas. Aplicando el clasificador K-NN ponderado para identificar la clase de cada fotograma, se obtuvo un vector de probabilidades de la clase acostado con 100 posiciones. Estos nuevos vectores se utilizaron como ejemplos de entrenamiento para un nuevo clasificador K-NN, el cual contiene ejemplos de vectores de probabilidad de caídas y no caídas. Aplicando la validación cruzada, nuestro sistema es capaz de reconocer caídas con un 91 % de precisión.

Descargas

La descarga de datos todavía no está disponible.

Citas

Chen, W.-H., & Ma, H.-P. (2015). A fall detection system based on infrared array sensors with tracking capability for the elderly at home. 2015 17th International Conference on E-health Networking, Application Services (HealthCom), 428–434.

Hrzic, F., Tschauner, S., Sorantin, E., & Štajduhar, I. (2021). Xaom: A method for automatic alignment and orientation of radiographs for computer-aided medical diagnosis. Computers in Biology and Medicine, 132, 104300.

Jia, W., Hu, R.-X., Gui, J., Zhao, Y., & Ren, X.-M. (2012). Palmprint recognition across different devices. Sensors, 12(6), 7938–7964.

Kido, S., Miyasaka, T., Tanaka, T., Shimizu, T., & Saga, T. (2009). Fall detection in toilet rooms using thermal imaging sensors. 2009 IEEE/SICE International Symposium on System Integration (SII), 83–88.

Rafferty, J., Medina-Quero, J., Quinn, S., Saunders, C., Ekerete, I., Nugent, C., Synnott, J., & Garcia-Constantino, M. (2019). Thermal vision based fall detection via logical and data driven processes. 2019 IEEE International Conference on Big Data, Cloud Computing, Data Science Engineering (BCD), 35–40.

Stojanovic, M., Vlahovic, N., Stankovic, M., & Stankovic, S. (2018). Object tracking in thermal imaging using kemelized correlation filters. 2018 17th International Symposium INFOTEH-JAHORINA (INFOTEH), 1–6.

Uchida, S. (2013). Image processing and recognition for biological images. Development, Growth & Differentiation, 55(4).

Yoruk, E., Dutagaci, H., & Sankur, B. (2005). Hand based biometry.

Yu, L., Chen, H., He, H., Nie, H., Zhai, X., & Xiong, B. (2020). A fall detection system based on a thermopile imaging array and a back projection algorithm. 2020 IEEE International Conference on Electro Information Technology (EIT), 060–065.

Zitova, B. (2019). Mathematical approaches for medical image registration. In R. Narayan (Ed.), Encyclopedia of Biomedical Engineering (pp. 21–32). Elsevier, Oxford.

Zulkifley, M. A., Abdani, S. R., & Zulkifley, N. H. (2020). Automated bone age assessment with image registration using hand x-ray images. Applied Sciences, 10.

Publicado
2022-10-05
Cómo citar
Ayala Raggi, S. E., Roa Escalante, J. M., Barreto Flores, A., Portillo Robledo, J. F., Soid Raggi, L. G., & Bautista López, V. E. (2022). Detección de caídas de adultos mayores en imágenes térmicas utilizando normalización angular, PCA y K-NN ponderado. Pädi Boletín Científico De Ciencias Básicas E Ingenierías Del ICBI, 10(Especial4), 151-159. https://doi.org/10.29057/icbi.v10iEspecial4.9344
Tipo de manuscrito
Artículos de investigación