Senjorų fizinio aktyvumo stebėsenos ir kritimo atpažinimo sistema, pagrįsta YOLOv12 modeliu
Moisenka, Evaldas |
Vyresnio amžiaus žmonių sveikatos priežiūra tampa vis svarbesnė, ypač atsižvelgiant į kritimų riziką ir jų padarinius. Šiame darbe kuriama sistema, kuri pasitelkia kompiuterinės regos metodus ir gilųjį mokymosi algoritmą YOLOv12, siekiant atpažinti kritimo įvykius ir stebėti senjorų fizinį aktyvumą. Tyrimo tikslas - Suprojektuoti ir įgyvendinti veikiančią sistemą, leidžiančią eksperimentinėje terpėje identifikuoti kritimus ir aktyvumo lygį, taip padedant pagerinti prevencines sveikatos priežiūros priemones. Darbo metodika – kritimų aptikimo technologijų analizė, giliojo mokymosi modelio pritaikymas, sistemos programinis įgyvendinimas ir eksperimentinis testavimas. Naudoti vieši duomenų rinkiniai modelio treniravimui ir verifikavimui. Darbo rezultatai – sukurta sistema, kuri pasiekia aukštą kritimo aptikimo tikslumą kuri gali veikti eksperimentinėje terpėje. Sistemos testavimo rezultatai rodo, kad pasirinktas sprendimas yra tinkamas praktiniam taikymui, tačiau reikalauja papildomų tyrimų dėl privatumo ir diegimo realiose aplinkose. Išvada. YOLOv12 modeliu paremta sistema gali tapti efektyvia prevencine priemone senjorų priežiūros srityje, padedančia laiku identifikuoti kritimus bei užtikrinti greitą reagavimą. Tolimesni darbai turėtų būti orientuoti į duomenų saugos stiprinimą bei platesnio masto testavimą.
The increasing aging of the population highlights the importance of effective health monitoring systems, especially those capable of detecting fall incidents. Traditional fall detection technologies, such as wearable sensors, often lack flexibility and real-time responsiveness. This thesis presents the development of a fall detection and physical activity monitoring system for elderly people, based on computer vision techniques and the YOLOv12 deep learning model. The main objective of the research is to design and implement a working prototype in experimental environment that identifies senior activity and fall events in real time using video analysis. The methodology involves a review of current fall detection technologies, the application and adaptation of the YOLOv12 object detection model, system architecture design, software implementation, and experimental testing. Publicly available datasets were used to train and evaluate the model. The results demonstrate that the developed system achieves a high detection accuracy and performs in real time, making it suitable for practical deployment. However, challenges related to data privacy and ethical concerns need to be addressed before wider adoption. Conclusion. A YOLOv12-based solution can provide reliable fall detection capabilities for elderly care environments, contributing to faster emergency response and improved safety. Future work should focus on improving data security, system scalability, and testing in real-world environments.