Avaliação de técnicas de aprendizagem de máquinas na classificação de imagens térmicas extraídas de câmeras de baixa resolução para detecção de quedas em idosos

Abstract

A queda tende a gerar danos físicos e psicológicos, principalmente para as pessoas com idade acima dos 65 anos. Tais danos podem ser agravados caso as mesmas morem sozinhas e não consigam ajuda no tempo adequado. Este é um dos fatores que acarretam o aumento do uso de dispositivos inteligentes nas residências, atuando como forma de monitorar alguma ação ou incidente. Tais dispositivos tem um bom nível de aceitação por proporcionarem aos usuários sensações de bem-estar, comodidade e/ou segurança. Esses dispositivos realizam suas finalidades através da captura de dados do ambiente em que estão localizados e posterior análise. Atualmente, técnicas de aprendizagem de máquina estão atuando como forma de otimizar e trazer cada vez mais autonomia e eficácia ao funcionamento desses dispositivos. O aprendizado profundo ganha destaque ao se tratar de soluções que realizam algum tipo de análise em imagens. Porém, ao se tratar de soluções embarcadas, um modelo com muitas camadas de abstração pode ser inviável para processamento local. Este trabalho apresenta um estudo de técnicas de aprendizagem de máquina, com o intuito de analisar a viabilidade do desenvolvimento de um sistema de monitoramento do ambiente, capaz de detectar incidentes de queda, sem invadir a privacidade do usuário, podendo ser instalado em qualquer ambiente da casa. Para isso, é realizado a classificação de imagens térmicas utilizando os descritores de atributos, GLCM (Gray Level Co-occurrence Matriz) e LBP (Local Binary Patterns), combinado a técnicas de aprendizado de máquina e aprendizado profundo. Durante o processo de treinamento do modelo, foram utilizadas imagens de dois sensores distintos, redimensionadas para o tamanho padrão de 64x64 pixels. É observado uma acurácia média de 91,66% usando a rede LSTM (Long short-term memory ou memória de longo prazo) bidirecional, e 97,88% utilizando a rede VGG16. Utilizando arquiteturas mais simples, como o descritor GLCM combinado ao classificador KNN (K-Nearest Neighbor) chegamos a obter uma acurácia média de 89,73%, já com o classificador SVM (Support Vector Machine) a acurácia média chegou a 91,23%. Enquanto com LBP a melhor acurácia média obtida foi de 98,20% com o classificador SVM e de 96,58% com o KNN. Esses resultados apresentam a viabilidade da detecção de quedas, utilizando imagens térmicas de baixa resolução e arquiteturas de classificação que possuem poucas camadas de processamento, tornando viável a possibilidade de obtermos uma solução em m