سیستم پایش زمین خوردن سالمندان بر مبنای مدل ترکیبی گوسی و تغییرات آناتومیکی بدن در تصاویر ویدئویی

مطالعات نشان میدهد که 25% تا 47% سالمندان ساکن در جامعه یکبار یا بیشتر به زمین می خورند و این رقم در میان سالمندان آسایشگاهی به حدود 50% نیز می رسد. در این مقاله الگوریتم جدیدی معرفی شده که در گام نخست با دریافت رشته های ویدئویی از افراد، با استفاده از مدل مخلوط گوسی و تخمین پارامترهای این مدل توسط الگوریتم بیشینه ساز امید ریاضی، قالب بدن شخص از فریم ها جداسازی می شود. در گام بعدی، وقوع زمین خوردگی با تکیه بر تغییرات آناتومیکی بدن شخص سالمند و نمایش حافظه حرکت صورت می پذیرد. پیاده سازی سیستم بر مجموعه ای شامل چندین فریم تصویری دریافت شده از سرای سالمندان مادر سبزوار و پایگاه داده caviar دربردارنده وقایع زمین خوردگی و راه رفتن طبیعی اشخاص انجام شد. در ادامه بر مبنای عامل انحراف استاندارد و ضریب حرکت فرد، وقایع مشکوک به زمین خوردگی و زمین خوردگی های واقعی با دقت مناسبی تفکیک شده و در نهایت حساسیت 92.68% و ویژگی 96% که نشان دهنده توانایی مطلوب سیستم می باشد، حاصل آمد. شبیه سازی  مناسب الگوریتم بر روی مجموعه داده ها سبب شده تا میزان خطا مقداری کمتر از  6% را داشته باشد و از سویی بکارگیری آن در مراکز نگهداری سالمندان و منازل مسکونی، مانیتورینگ دقیقی را از زمین خوردگی به همراه خواهد داشت.

Elderly Fall Monitoring System Based on Gaussian Mixture Models and Anatomical Changes in Video Sequences

Studies show that 25% to 47% of elderly will at least once experience falls and this figure is approximately 50% among the elderly living in nursing home. In this paper, based on the Gaussian Mixture Model (GMM) and estimating their parameters by Expectation Maximization (EM) algorithm, a new method has been proposed that firstly, the binary movement of the elderly is segmented from video sequences. Next, the occurrence of falls in older persons is done relying on anatomic body changes and Motion History Images (MHI). Elevation of the system performance was set up on a set of video frames received from the elderly residing in Mother Health Care Center in Sabzevar city and CAVIAR database containing the actual occurrence the of falling. Then, based on the standard deviation and the Cmotion coefficient of the walking, suspected incident falls and actual falls are accurately segregated and finally, the sensitivity of 92.68% and the specificity of 96% were obtained which represent a desired capability of the output system. In overall, appropriate simulation of algorithms on the data set due to low error rate in which is less than 6% and meanwhile a careful monitoring of the elderly’s falls will be provided by implementing this system in elderly nursing and residential homes.