Fall detection synthetic motion generation

Larsen, Hans Christian Østgård

4. semester

Robotics, M.Sc.

2023

2023-06-26

40

Dette speciale adresserer behovet for bedre detektion af fald hos ældre i lyset af en aldrende befolkning og den høje forekomst af fald, med særlig fokus på at identificere personer i post-fald-fasen. Med udgangspunkt i en case fra virksomheden ZinTouch, hvor ældre nogle gange falder uden at udløse deres monitoreringsenhed, undersøges hvad et fald er, hvor fald typisk forekommer (især indendørs i hjemmet), samt tidligere arbejde med både bærbare sensorer (IMU-baserede) og miljøsensorer (bl.a. RGB-kameraer). En gennemgang af datasæt viser, at der mangler autentiske visuelle data for fald, mens der findes reelle IMU-målinger af fald. For at afhjælpe denne mangel modificeres en Human Motion Diffusion Model til at tage IMU-data (og tekstbeskrivelser) som input, så menneskelige bevægelser kan genereres syntetisk og omsættes til visuelt materiale til træning af klassifikatorer, der skal skelne mellem almindelige daglige aktiviteter og fald. Specialet beskriver desuden arbejdet med syntetisk datasætsgenerering og en implementering, der bygger på bl.a. HumanML3D, simulerede IMU’er og en tilpasset MDM, med målet at understøtte en løsning, der kombinerer ZinTouchs armbånd med kamerabaseret detektion. Kvantitative resultater er ikke præsenteret i denne uddragne del af dokumentet.

This thesis addresses the need for improved fall detection in an aging society, focusing on identifying people in the post-fall phase. Motivated by a case from the company ZinTouch—where some falls do not trigger their monitoring device—the work examines what constitutes a fall, where falls most often occur (primarily indoors at home), and prior research using wearable sensors (IMU-based) and ambient sensors (including RGB cameras). A survey of datasets concludes that authentic visual data of falls are scarce, while real IMU recordings of falls are available. To bridge this gap, a Human Motion Diffusion Model is modified to accept IMU data (and text descriptions) as input, enabling the synthesis of human motions that can be rendered as visual data for training classifiers to distinguish daily activities from falls. The thesis also explores synthetic dataset generation and describes an implementation built on components such as HumanML3D, simulated IMUs, and a customized MDM, aiming to support a solution that combines ZinTouch’s armband with camera-based detection. Quantitative performance results are not provided in this excerpt.

[This summary has been generated with the help of AI directly from the project (PDF)]

Download
View record in AAU Student Projects