การวิจัยและพัฒนาเว็บแอปพลิเคชันตรวจจับและแจ้งเตือนการล้ม สำหรับผู้สูงอายุด้วยมีเดียไปป์เฟรมเวิร์ค บทความวิจัย
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อ 1) พัฒนาเว็บแอปพลิเคชันตรวจจับและแจ้งเตือนการล้มสำหรับผู้สูงอายุด้วยมีเดียไปป์เฟรมเวิร์ค 2) เพื่อประเมินประสิทธิภาพของแอปพลิเคชันตรวจจับการล้ม กลุ่มตัวอย่าง โดยขอบเขตในการพัฒนาแบ่งเป็น 2 ส่วน ส่วนที่ 1 ระบบจัดการกล้องเพื่อนำเข้าข้อมูลวิดีโอซึ่งใช้การเชื่อมต่อแบบ Real Time Streaming Protocol ส่วนที่ 2 ระบบตรวจจับและแจ้งเตือนผ่านแอปพลิเคชันไลน์ โดยใช้แบบจำลอง Pose Landmarker Model ใน MediaPipe ของ Google ตรวจจับตำแหน่งข้อต่อสำคัญของร่างกาย 33 จุดในรูปแบบ 3 มิติ วิธีการทดลอง ใช้การทดสอบรูปแบบการล้ม 6 รูปแบบ ประกอบด้วย 1) หน้าตรงล้มไปข้างหน้า 2) หน้าตรงล้มไปข้างหลัง 3) หันข้างล้มไปด้านขวา 4) หันหน้าล้มไปด้านขวา 5) หันหน้าล้มไปด้านซ้าย และ 6) หันข้างล้มไปด้านซ้าย จากอาสาสมัครจำนวน 10 คนตรวจจับรูปภาพและระบุตำแหน่งข้อต่อสำคัญของร่างกาย 33 จุด เป็นชุดข้อมูลทั้งหมด 1,000 รายการ ผลการประเมินประสิทธิภาพการตรวจจับการล้มโดยใช้ Random forest และ K-NN สร้างโมเดลและชุดข้อมูลทดสอบพบว่า โมเดลที่สร้างด้วย Random forest ได้มีผลการตรวจจับการล้มได้ดีที่สุดมีความแม่นยำ 88.00% และระบบมีความแม่นยำในการตรวจจับการล้มในท่าทางหน้าตรงดีกว่าการล้มไปด้านข้างซ้ายและขวา
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ได้รับการตีพิมพ์และเป็นลิขสิทธิ์ของวารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยเซาธ์อีสท์บางกอก
References
P. Kulurkar , et al., “AI based elderly fall prediction system using wearable sensors: A smart home-care technology with IOT,” Measurement: Sensors, 100614, pp. 1-11, 2023. https://doi.org/10.1016/
j.measen.2022.100614.
P. Leelatien , et al., “Severity-based fall detection for elderly using WiFi sensing,” The Journal of KMUTNB, vol.34, no.1, pp. 1-12, 2022.
Regional Health Promotion Center 5, “The Effectiveness of Preparation and Fall Prevention Programs in Elderly,” [Online]. Available: https://apps.hpc.go.th/dmkm/web/uploads/2020/036008-2020031
/b4d55b3ad74a37143daf28575f182905.pdf. [Accessed: November 3, 2023].
K. Nuntaboot, “Accidental situation and self-care for prevention of accident among older People,” Journal of Nursing and Health Care, vol.37, no.3, pp. 164-172, 2019.
Regional Health Promotion Center 5, “The Effectiveness of Preparation and Fall Prevention Programs in Elderly,” [Online]. Available: https://apps.hpc.go.th/dmkm/web/uploads/2020/036008-2020031
/b4d55b3ad74a37143daf28575f182905.pdf. [Accessed: November 3, 2023].
Pressac Communications, “Wired or wireless sensors? The advantages and disadvanta-ges of wired and wireless systems,” [Online]. Available: https://www.pressac.com/insights/wired-or-wireless-sensors/#. [Accessed: November 7, 2023].
P. Leelatien , et al., “Severity-based fall detection for elderly using WiFi sensing,” The Journal of KMUTNB, vol.34, no.1, pp. 1-12, 2022.
X. Yang, et al., “WiFi-based multistage fall detection with channel state information,” International Journal of Disributed Sensor Networks, vol.14, no.10, pp 1-10, 2018.
M. Wiboonyasake, “Machine Learning,” [Online]. Available: https://www.a ware.co.th/machine-learning-คืออะไร. [Accessed: September 20, 2023].
Google Inc, “MediaPipe Framework,” [Online]. Available: https://developers.google.com/mediapipe/framework. [Accessed: September 20, 2023].
Google Inc, “Pose Landmark Detection,” [Online]. Available: https://developers.google.com/mediapipe/solutions/vision/pose_landmarker. [Accessed: September 20, 2023].
S. Jeong, et al., "Human-skeleton based Fall-Detection Method using LSTM for Manufacturing Industries," 2019 34th International Technical Conference on Circuits/Systems, Computers and Communications (ITC-CSCC), JeJu, Korea (South), 2019, pp. 1-4, doi: 10.1109/ITC-CSCC.2019.8793342.
C. D. Jawale, et al., “Elderly Care With Fall Detection,” International Conference on Applications of Intelligent Computing in Engineering and Science (AICES-2022), Raipur, India, February 12-13, 2022.
J. Liu and others, “Human skeleton behavior recognition model based on multi-object pose estimation with spatiotemporal semantics,” Machine Vision and Applications, vol.34, 2023. https://doi.org/10.1007/s00138-023-01396-0.
P. Wongkietkajoh, “Pose Estimation for Indoor Fall Detection Using Mediapipe,” Master's thesis, Srinakharinwirot University. 2023. [Online]. Available: http://ir-ithesis.swu.ac.th/dspace/handle/
/2576. [Accessed: January 13, 2024].
Google Inc, “The pose landmarker model tracks 33 body landmark locations,” [Online]. Available: https://developers.google.com/mediapipe/solutions/vision/pose_landmarker. [Accessed: December 20, 2023].
F. Shu, and J. Shu, “Human falling pattern,” Scientific Reports, vol.11, 2021. https://doi.org/10.1038/s41598-021-81115-9.
P. Kulkasem, et al., “Fall Detection System for Monitoring an Elderly Person in Elderly Care Center,” [Online]. Available: https://buuir.buu.ac.th/xmlui/bitstream/handle/1234567890/1949/2560_103.pdf. [Accessed: January 13, 2024].