چکیده

تشخیص زودهنگام زمین خوردگی می تواند سقوط را در افراد مسن کاهش دهد. سالمندان به طور متوسط از 25 تا 47% در معرض خطر سقوط هستند. در مقایسه با تصویربرداری مرئی، تصویربرداری حرارتی حریم خصوصی افراد را کمتر درگیر می کند و اجازه می دهد تا حوادث مختلف بر اساس بینایی ماشینی مشخص شود. لذا، استفاده از نظارت دقیق منطبق بر تصویربرداری حرارتی و الگوریتم های یادگیری ماشین، خطرات افشاء حریم خصوصی سالمندان را به میزان قابل توجهی کاهش داده و تشخیص تأثیرگذار سقوط را افزایش می دهد. یک چارچوب دو مرحله ای جدید از طریق فیلمبرداری حرارتی در این مقاله معرفی شده که شامل ردیابی انسان و یادگیری عمیق برای تشخیص حوادث سقوط است. در مرحله اول، فیلتر کالمن برای تشخیص موقعیت افراد استفاده می شود. سپس، ساختار اصلاح شده ShuffleNet برای پالایش مکان افرادی که در خطر سقوط هستند، بکار می شود. رویکرد پیشنهادی با استفاده از اینترنت اشیاء اجرا می شود. تجزیه و تحلیل مجموعه داده های سقوط حرارتی نتایج مناسبی را نشان می دهد که به طور متوسط کمتر از 7 درصد خطا در مقایسه با مدل های تشخیص سقوط معمولی رقم زده است. علاوه بر این، بستر اینترنت اشیاء به پردازش بهتر حوادث و کارآمدتر سازی نظارت بلادرنگ، مدیریت مصرف انرژی و مدیریت مراقبت های بهداشتی کمک می کند.

کليدواژه ها

تشخیص سقوط، تصویربرداری حرارتی، یادگیری انتقال عمیق، اینترنت اشیاء، فیلتر کالمن.

کد مقاله / لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است :

نحوه استناد به مقاله

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
خسرو رضایی , 1400 , تشخیص خودکار سقوط سالمندان براساس یادگیری انتقالی عمیق اصلاح شده و سیستم اینترنت اشیاء با استفاده از تصویربرداری حرارتی , پنجمین کنفرانس مهندسی مخابرات ایران