Innovaciones en Seguridad para Personas Mayores: Detección de Caídas y Reconocimiento de Actividades

A medida que aumenta el número de personas mayores en los países desarrollados, asegurar su salud y bienestar se vuelve cada vez más importante. Muchas personas mayores quieren vivir de manera independiente, lo que genera preocupaciones sobre su seguridad. Para ayudar a abordar estas preocupaciones, los investigadores están desarrollando sistemas llamados sistemas de Vida Asistida por el Entorno (AAL). Estos sistemas buscan facilitar la vida de las personas mayores que viven solas, minimizando los riesgos.

Este artículo ofrece una revisión de estudios recientes sobre dos tareas importantes: Detección de caídas y Reconocimiento de Actividades Humanas (HAR). Estas tareas son cruciales para garantizar la seguridad de las personas mayores que viven solas. La revisión se centra en el uso de técnicas de Aprendizaje Profundo (DL) y Datos de Visión por computadora para estas tareas. También se discuten las diferentes fuentes de datos, técnicas y sistemas que se han propuesto.

El aumento en la esperanza de vida significa que más personas mayores necesitarán cuidado y apoyo. Las caídas son una preocupación común y seria para este grupo de edad. Según la Organización Mundial de la Salud, las caídas son la segunda causa principal de muertes por lesiones no intencionales en todo el mundo. Cada año, cientos de miles de personas mueren debido a caídas, y muchas más sufren lesiones que requieren atención médica.

Detectar caídas automáticamente se puede hacer utilizando datos recopilados de dispositivos como cámaras y sensores. No solo es importante detectar caídas, sino que también reconocer las diversas actividades que realiza una persona mayor puede ser beneficioso. Esto puede ayudar a monitorear sus hábitos diarios e identificar cualquier cambio que pueda señalar problemas de salud.

#Resumen de Detección de Caídas y Reconocimiento de Actividades Humanas

La detección de caídas implica identificar cuándo una persona ha caído. Esto es crítico porque la intervención oportuna puede prevenir más lesiones. El reconocimiento de actividades humanas, por otro lado, implica entender qué tipos de actividades está realizando una persona, como caminar, sentarse o realizar tareas diarias. Ambas tareas son importantes para brindar apoyo a las personas mayores que viven de manera independiente.

Esta revisión se enfoca en estudios que emplean métodos de aprendizaje profundo en la detección de caídas y el reconocimiento de actividades utilizando datos de cámaras. Los beneficios de usar datos de visión incluyen la capacidad de observar a varias personas o eventos a la vez, fácil instalación y la opción de verificar visualmente la información.

Las técnicas de aprendizaje profundo han avanzado significativamente en los últimos años y ahora se consideran métodos efectivos para procesar imágenes y videos. Se han explorado muchos modelos y arquitecturas de aprendizaje profundo diferentes para estas tareas, lo que lleva a esta revisión a investigar qué técnicas son más efectivas para el cuidado de personas mayores.

#Detección de Caídas y HAR en Personas Mayores

Con una población envejecida, hay una necesidad urgente de abordar la seguridad de las personas mayores. Las estadísticas indican que casi una quinta parte de la población en países desarrollados tiene 60 años o más. A medida que la esperanza de vida sigue aumentando, también lo hará el número de personas mayores que requieren cuidado.

Las caídas representan un riesgo serio para las personas mayores, haciendo que la detección de caídas sea necesaria. La probabilidad de que una persona mayor caiga aumenta con la edad, y caerse puede llevar a lesiones graves o a la muerte. Además de los costos médicos asociados con el tratamiento de lesiones por caídas, hay impactos emocionales y psicológicos en las personas mayores y sus familias.

Los sistemas de detección de caídas automáticos utilizan datos de varios dispositivos, incluidas cámaras. Si bien hay muchas estrategias para detectar caídas, el enfoque de este artículo es el uso de enfoques de aprendizaje profundo que analizan datos visuales de cámaras. Estos métodos pueden identificar cuándo ocurre una caída en tiempo real, permitiendo una asistencia inmediata.

El reconocimiento de actividades humanas es igualmente importante. Reconocer las actividades diarias ayuda a los cuidadores a entender el estado de salud de la persona mayor. Al mantener un registro de la rutina diaria de una persona, se pueden detectar cambios significativos que permiten una intervención temprana en caso de posibles problemas de salud.

La investigación ha demostrado que las cámaras pueden proporcionar una gran cantidad de información para ambas tareas. Este artículo examina varios estudios que utilizan aprendizaje profundo y visión por computadora para la detección de caídas y HAR, centrándose en las fortalezas y debilidades de estos enfoques.

#Metodología de la Revisión

Esta revisión se llevó a cabo utilizando una metodología de revisión sistemática de literatura (SLR). Se buscaron en varias bases de datos estudios publicados en los últimos años relacionados con la detección de caídas y HAR utilizando técnicas de aprendizaje profundo.

El proceso de revisión sistemática involucró los siguientes pasos:

1. Fuentes de Datos: Se eligieron varias bases de datos para reunir estudios relevantes. Estas incluyeron SCOPUS, Web of Science, IEEE Explore, ACM Digital Library y PubMed.

2. Estrategia de Búsqueda: Se diseñaron consultas de búsqueda para encontrar estudios relevantes para la detección de caídas y el reconocimiento de actividades. Se utilizaron diferentes términos para garantizar una búsqueda completa. El enfoque estuvo en estudios que utilizaron métodos de aprendizaje profundo y datos de visión.

3. Selección de Estudios: Después de reunir un gran número de estudios, se utilizaron criterios específicos para reducir la selección solo a los trabajos más relevantes. Se excluyeron los estudios que no se centraron en aprendizaje profundo o aquellos que no abordaron específicamente a las personas mayores.

4. Evaluación de Calidad: Cada estudio fue evaluado por su calidad en función de varios criterios, como reproducibilidad, comparación con otros trabajos y uso de conjuntos de datos externos.

5. Extracción de Datos: Se extrajo información de los estudios seleccionados para proporcionar un resumen y categorizar varios aspectos de la investigación.

#Resumen de Reseñas Anteriores

Numerosas reseñas han tratado los temas de detección de caídas y HAR, pero muchas de ellas carecían de un enfoque sistemático. Esta revisión se basa en estudios anteriores mientras proporciona un análisis más riguroso.

Algunas reseñas anteriores han resumido varios métodos de detección de caídas y reconocimiento de actividades, incluyendo sus fortalezas y debilidades. Sin embargo, la mayoría no se centró específicamente en técnicas de aprendizaje profundo o en las necesidades de las personas mayores.

Al proporcionar una visión sistemática de las aplicaciones de aprendizaje profundo para estas tareas, esta revisión apunta a contribuir con información valiosa para futuras investigaciones y prácticas.

#Preguntas de Revisión

Para guiar la revisión, se formularon varias preguntas:

1. ¿Qué técnicas de aprendizaje profundo se utilizan comúnmente para el reconocimiento de actividades humanas y la detección de caídas en personas mayores?
2. ¿Qué tipos de datos de visión se utilizan en estos estudios?
3. ¿Qué conjuntos de datos se utilizan comúnmente para entrenar y probar modelos?
4. ¿Cómo se implementan estas técnicas en entornos del mundo real y qué hardware se utiliza típicamente?
5. ¿Cómo se aborda la privacidad del usuario en la implementación de estos sistemas?

Estas preguntas serán abordadas en las siguientes secciones, proporcionando una imagen más clara del estado actual de la investigación en este importante campo.

#Hallazgos sobre Técnicas de DL para HAR y Detección de Caídas

Basado en los estudios revisados, el aprendizaje profundo ha demostrado ser una herramienta poderosa para la detección de caídas y el reconocimiento de actividades humanas. Se encontraron diferentes tipos de modelos de aprendizaje profundo, siendo las redes neuronales convolucionales (CNN) las más comunes.

#Tipos de Datos de Visión Utilizados

Se identificaron tres tipos principales de datos de visión en los estudios: RGB, profundidad e infrarrojos (IR). Los datos RGB son los más utilizados, seguidos por las cámaras de profundidad, mientras que los datos IR son los menos comunes. La elección del tipo de dato a menudo afecta el rendimiento del sistema de detección.

#Modelos de Aprendizaje Profundo Populares

Los estudios revisados mostraron una preferencia por las CNN para varias tareas, incluyendo la estimación de articulaciones esqueléticas y la clasificación de actividades. Otros modelos incluyeron redes neuronales recurrentes (RNN), particularmente las redes de memoria a largo y corto plazo (LSTM), que a menudo se utilizan para procesar secuencias de datos.

#Conjuntos de Datos Utilizados en la Investigación

El análisis reveló que, aunque hay varios conjuntos de datos disponibles para la detección de caídas y HAR, la mayoría no incluyen a personas mayores como sujetos. Esta falta de representación puede limitar la generalización de los hallazgos. La revisión identificó algunos conjuntos de datos que se centran en personas mayores, como el conjunto de datos URFD, que se dirige específicamente a la detección de caídas.

#Implementación en Entornos del Mundo Real

La revisión encontró que muchos estudios se centran en cómo implementar sistemas de detección de caídas y HAR en entornos del mundo real. Estas implementaciones a menudo implican el uso de cámaras para recopilar datos, que luego son procesados por un servidor central o a través de un sistema integrado utilizando robots.

#Consideraciones de Hardware

La elección del hardware juega un papel esencial en la efectividad de estos sistemas. La cámara Microsoft Kinect se mencionó a menudo para la recopilación de datos de profundidad, junto con una variedad de otros tipos de cámaras para video RGB. Robots como Pepper y NAO también se mencionaron por su integración en entornos de cuidado, ofreciendo capacidades de interacción junto con funciones de monitoreo.

#Protección de la Privacidad

La privacidad del usuario es una preocupación significativa con los sistemas basados en cámaras. Muchos estudios no abordaron adecuadamente los problemas de privacidad, enfatizando la necesidad de soluciones que protejan las identidades de los usuarios. Técnicas como la estimación de articulaciones esqueléticas se emplean comúnmente como un método para anonimizar a los usuarios mientras se permite una detección efectiva de caídas y reconocimiento de actividades.

#Fortalezas y Debilidades de los Estudios Revisados

La revisión sistemática destacó tanto fortalezas como debilidades en la literatura existente:

#Fortalezas

• La aplicación de técnicas de aprendizaje profundo ha mostrado resultados prometedores en la detección precisa de caídas y reconocimiento de actividades.
• El uso de datos de articulaciones esqueléticas permite un monitoreo efectivo mientras se protege la privacidad del usuario.

#Debilidades

• Muchos conjuntos de datos utilizados en los estudios no incluyen a personas mayores, limitando la aplicabilidad de los hallazgos en escenarios del mundo real.
• Un número significativo de estudios depende de conjuntos de datos personalizados sin evaluar el rendimiento en conjuntos de datos establecidos, lo que impacta la fiabilidad de las conclusiones.

#Recomendaciones para Futuras Investigaciones

Basado en los hallazgos de la revisión, se pueden hacer varias recomendaciones para estudios futuros:

1. Evaluar la Privacidad del Usuario: Los investigadores deben priorizar las consideraciones de privacidad desde el principio, eligiendo métodos de recopilación de datos que protejan las identidades.
2. Utilizar Conjuntos de Datos Públicos: Cuando se evalúan modelos, es esencial utilizar conjuntos de datos disponibles públicamente para realizar una comparación con métodos existentes.
3. Enfocarse en la Representación de Personas Mayores: Los futuros conjuntos de datos deben priorizar la inclusión de personas mayores para mejorar la fiabilidad de los hallazgos.
4. Explorar Diversas Fuentes de Datos: Se anima a los investigadores a investigar varios tipos de cámaras y sensores para mejorar el rendimiento de los sistemas de detección.

#Conclusión

Esta revisión destaca el potencial significativo de las técnicas de aprendizaje profundo en la detección de caídas y el reconocimiento de actividades humanas para personas mayores. Con una población envejecida, estas tecnologías pueden desempeñar un papel crucial en garantizar la seguridad y el apoyo a las personas mayores que viven de manera independiente.

Al centrarse en metodologías sistemáticas y abordar las limitaciones identificadas en estudios anteriores, los investigadores pueden continuar avanzando en el conocimiento y desarrollar soluciones prácticas que realmente mejoren la calidad de vida de las personas mayores.

A medida que la tecnología evoluciona, la exploración continua de aplicaciones de aprendizaje profundo, diversidad de conjuntos de datos y privacidad del usuario será esencial para impulsar avances significativos en este importante campo.