مریم صابری اناری - گروه مهندسی کامپیوتر، دانشگاه فنی و حرفه ای،تهران،ایران
خسرو رضائی - دانشکده مهندسی، گروه مهندسی پزشکی، دانشگاه میبد، میبد، ایران

تشخیص زودهنگام زمین خوردگی می تواند سقوط را در افراد مسن کاهش دهد. سالمندان به طور متوسط از ۲۵ تا ۴۷ % در معرض خطر سقوط هستند. در مقایسه با تصویربرداری مرئی، تصویربرداری حرارتی حریم خصوصی افراد را کمتر درگیر می کند و اجازه می دهد تا حوادث مختلف بر اساس بینایی ماشینی مشخص شود. لذا، استفاده از نظارت دقیق منطبق بر تصویربرداری حرارتی و الگوریتم های یادگیری ماشین، خطرات افشاء حریم خصوصی سالمندان را به میزان قابل توجهی کاهش داده و تشخیص تاثیرگذار سقوط را افزایش می دهد. یک چارچوب دو مرحله ای جدید از طریق فیلمبرداری حرارتی در این مقاله معرفی شده که شامل ردیابی انسان و یادگیری عمیق برای تشخیص حوادث سقوط است. در مرحله اول، فیلتر کالمن برای تشخیص موقعیت افراد استفاده می شود. سپس، برای پالایش مکان افرادی که در خطر ShuffleNet ساختار اصلاح شده سقوط هستند، بکار می شود. رویکرد پیشنهادی با استفاده از اینترنت اشیاء اجرا میش ود. تجزیه و تحلیل مجموعه داده های سقوط حرارتی نتایج مناسبی را نشان می دهد که به طور متوسط کمتر از ۷ درصد خطا در مقایسه با مدل های تشخیص سقوط معمولی رقم زده است. علاوه بر این، بستر اینترنت اشیاء به پردازش بهتر حوادث و کارآمدتر سازی نظارت بلادرنگ، مدیریت مصرف انرژی و مدیریت مراقبت های بهداشتی کمک می کند

تشخیص سقوط، تصویربرداری حرارتی، یادگیری انتقال عمیق، اینترنت اشیاء، فیلتر کالمن