Status des Praktikums: vergeben
Betreuer: Rainer Planinc
Problemstellung
Ältere Personen sind mitunter stark sturzgefährdet und ziehen sich bei einem Sturz oft schwere Verletzungen zu. Bei der Betreuung solcher Personen ist es daher wichtig, dass das selbstständige Aufstehen aus dem Bett möglichst früh automatisch erkannt wird, um den Personen unterstützend zur Seite zu stehen. Sobald das Aufstehen detektiert wird (z.B. bereits beim Aufsetzen im Bett) kann eine Betreuungsperson verständigt werden, welche bereits beim Aufstehen aus dem Bett behilflich sein kann. Gemeinsam mit der Unterstützung durch entsprechendes Personal wird es dadurch älteren Personen ermöglicht, sich ohne Risiken bewegen zu können.
Zielsetzung
Im Rahmen des Praktikums soll ein entsprechender Algorithmus basierend auf einer Literaturrecherche implementiert werden (bevorzugt in C/C++), welcher das Aufstehen aus dem Bett zu einem möglichst frühen Zeitpunkt bereits detektiert und einen Alarm auslöst. Dabei soll in einem ersten Schritt eigene Testvideos aufgenommen und analysiert werden, wobei in einem weiteren Schritt auch reale Testungen möglich sein werden. Ziel ist es, das Aufstehen möglichst früh und robust zu erkennen und die Anzahl der Fehlalarme möglichst zu reduzieren. Durch eine Evaluierung wird sichergestellt, in welcher Phase des Aufstehens eine robuste Detektion möglich ist (z.B. bereits beim Aufsetzen, bei der Drehung zum Bettrand, sobald die Füße das Bett verlassen). Für das Erfassen der Daten wird eine Microsoft Kinect / Asus Xtion Sensor verwendet, d.h. im Vergleich zu normalen Kameras sind hier bereits 3D Daten vorhanden.
Gliederung
- Literaturrecherche über bestehende Methoden zur Detektion (und Klassifikation) von Bewegung (geeigneten Motion Detection Ansatz finden, Drehung während des Schlafes von Aufsetzen unterscheiden)
- Programmierung und Evaluierung eines geeigneten Algorithmus
- Schriftlicher Bericht und Präsentation des Praktikums
Literatur:
[1] B. Ni, CH Nguyen, P. Moulin, “RGBD-camera based get-up event detection for hospital fall prevention,” Proc. of the International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp. 1405-1408, 2012.
[2] G. Diraco, A. Leone, and P. Siciliano, “Human posture recognition with a time-of-flight 3D sensor for in-home applications,” Expert Systems with Applications, vol. 40, no. 2, pp. 744–751, 2013.