Vers une approche multimodale basée sur l’apprentissage automatique et profond pour la détection d’impact pendant la chute

Les chutes, en particulier chez les personnes âgées, constituent un facteur de risque majeur de blessures graves et
de complications. Elles se définissent comme tout mouvement conduisant à une perte d’équilibre et à un déplacement vers une position instable, pouvant, le cas échéant,
entraîner un impact au sol. Ainsi, la détection de l’impact,
c’est-à-dire le moment où l’individu entre en contact avec
le sol, revêt une importance cruciale pour permettre une intervention rapide et réduire les fausses alertes. Ce travail
présente deux approches visant à détecter le moment d’impact lors des chutes. La première approche se concentre
sur l’amélioration du prétraitement des données et la sélection des variables pertinentes issue des accéléromètres
du jeu de données UP-Fall et utilise les algorithmes d’apprentissage automatique pour la détection d’impact pendant la chute, tandis que la seconde propose une intégration de données squelettiques 3D issue des données images
de UP-Fall et utilise les approches d’apprentissage automatique et profond pour la détection d’impact pendant la
chute. Les résultats expérimentaux démontrent une amélioration significative avec des taux de détection d’impact
exact supérieurs à 99% pour les modèles d’apprentissage
automatique et de 96% pour les modèles d’apprentissage
profond. Cette étude souligne l’importance d’une approche
multimodale et l’apport significatif des données squelettiques 3D dans l’amélioration des systèmes de détection
de chutes.