Analyse von Pose Estimation Sequenzen mit Deep Learning zur Sturzerkennung

Abstract

Der demografische Wandel führt zu einer alternden Gesellschaft, während der Pflegenotstand zunehmend kritischer wird. Um die Autonomie älterer Menschen zu fördern und die Pflege zu entlasten, untersucht diese Arbeit die Entwicklung eines effizienten und datenschutzfreundlichen Sturzerkennungssystems, das auf Skelettdaten aus RGBKamerabildern basiert. Der Einsatz von Pose Estimation ermöglicht die Extraktion von Bewegungsmustern, die durch neuronale Netze analysiert werden, um Stürze zuverlässig zu identifizieren. Verschiedene Modellarchitekturen, von kleineren ressourcenschonenden bis zu größeren, komplexeren Modellen, wurden evaluiert, um die optimale Balance zwischen Sensitivität und Spezifität zu bestimmen. Die Ergebnisse zeigen, dass selbst kleinere Modelle eine hohe Erkennungsrate erreichen und ohne Cloud-Anbindung eingesetzt werden können, was sowohl die Privatsphäre der Nutzer schützt als auch eine Echtzeit-erkennung in häuslicher Umgebung ermöglicht.

Demographic change is leading to an ageing society, while the care crisis is becoming increasingly critical. In order to promote the autonomy of elderly people and relieve the burden of care, this thesis investigates the development of an efficient and privacyfriendly fall detection system based on skeletal data from RGB camera images. The use of pose estimation enables the extraction of movement patterns, which are analyzed by neural networks to reliably identify falls. Different model architectures, from smaller resource-efficient models to larger, more complex models, were evaluated to determine the optimal balance between sensitivity and specificity. The results show that even smaller models can achieve a high detection rate and can be used without cloud connectivity, which both protects user privacy and enables real-time detection in a home environment.