Evaluación de detección de caídas mediante visión computacional y radar
DOI:
https://doi.org/10.17979/ja-cea.2025.46.12069Palabras clave:
Visión por computador, Aprendizaje Profundo, Sensores y actuadores inteligentes, Robots móvil, Detección de caídasResumen
Las caídas representan el accidente más frecuente entre las personas mayores y, cuando ocurren en el domicilio, cerca del 70\% de quienes las sufren no logran levantarse por sí mismos ni solicitar ayuda de forma inmediata. Por ello, disponer de sistemas de detección automática de caídas resulta esencial para garantizar una respuesta rápida, reducir el tiempo de inatención y mejorar la calidad de vida de las personas mayores. En este estudio se comparan dos enfoques para la detección en el hogar: un sistema radar fijo, evaluado en diferentes configuraciones, y un detector de visión computacional integrado en un robot móvil, que cubre zonas ciegas sin necesidad de calibración previa. Ambos sistemas fueron sometidos a varias pruebas representadas en las mismas condiciones, simulando cinco tipos de caída en cuatro ubicaciones diferentes.
El presente documento recoge los resultados obtenidos tras la experimentación, así como las situaciones más idóneas en las que utilizar cada sistema de detección.
Referencias
Alam, E., Sufian, A., Dutta, P., Leo, M., 2022. Vision-based human fall detection systems using deep learning: A review. Computers in biology and medicine 146, 105626.
Anwary, A. R., Rahman, M. A., Muzahid, A. J. M., Ul Ashraf, A.W., Patwary, M., Hussain, A., 2022. Deep learning enabled fall detection exploiting gait analysis. In: 2022 44th Annual International Conference of the IEEE Engineering in Medicine Biology Society (EMBC). pp. 4683–4686. DOI: 10.1109/EMBC48229.2022.9871964
Domingo, J. D., Aparicio, R. M., Rodrigo, L. M. G., 2022. Cross validation voting for improving cnn classification in grocery products. IEEE Access 10, 20913–20925.
Gaya-Morey, F. X., Manresa-Yee, C., Buades-Rubio, J. M., 2024. Deep learning for computer vision based activity recognition and fall detection of the elderly: a systematic review. Applied Intelligence 54 (19), 8982–9007.
Hu, S., Cao, S., Toosizadeh, N., Barton, J., Hector, M. G., Fain, M. J., 2024. Radar-based fall detection: A survey [survey]. IEEE robotics & automation magazine 31 (3), 170–185. INE, 2023. Ingevital, 2024. URL: https://ingevital.com/
Maldonado-Bascon, S., Iglesias-Iglesias, C., Mart´ın-Mart´ın, P., Lafuente-Arroyo, S., 2019. Fallen people detection capabilities using assistive robot. Electronics 8 (9), 915. Ministerio de Sanidad, G. d. E., 2025. URL: https://estilosdevidasaludable.sanidad.gob.es/seguridad/caidas/mayores/home.htm
Rao, S., Pramod, N., Paturu, C. K., 2008. People detection in image and video data. In: Proceedings of the 1st ACM workshop on vision networks for behavior analysis. pp. 85–92.
Sánchez-Girón, C., Zalama, E., Gómez-García-Bermejo, J. D.-D., 7 2024. Integración convnext-yolo mediante cvv para detectar caídas en robot social. XLV Jornadas de Automática. DOI: https://doi.org/10.17979/ja-cea.2024.45.10788
Temi, R., 2024. URL: https://www.robotemi.com/product/temi/
Tewari, R. C., Routray, A., Maiti, J., 2024. State-of-the-art radar technology for remote human fall detection: a systematic review of techniques, trends, and challenges. Multimedia Tools and Applications 83 (29), 73717–73775.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Celia Sánchez-Girón, Jaime Duque-Domingo, Jaime Gómez-García-Bermejo, Eduardo Zalama
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
