Ítem
Acceso Abierto

Evaluación de modelos de visión por computador en video para la detección de la pose humana y caída

Mostrar el registro sencillo de la publicación
dc.contributor.advisorPerdomo Charry, Oscar Julián
dc.creatorCalvache Briceño, Daniela Andrea
dc.creator.degreeIngeniero Biomédicospa
dc.creator.degreetypeFull timespa
dc.date.accessioned2020-05-29T19:51:46Z
dc.date.available2020-05-29T19:51:46Z
dc.date.created2020-05-22
dc.descriptionLa detección de pose del ser humano se define como la localización de las articulaciones de una persona o de una multitud dada una imagen o un video. Actualmente, la detección de postura es ampliamente utilizada por sistemas de detección de caídas para el monitoreo de pacientes en ambientes hospitalarios. Sin embargo, no es una tarea sencilla, debido a que requiere de personal que evalúe manualmente la posición de las personas, o utilizando equipos especializados como: dispositivos e-health (relojes, bandas, manillas), marcadores y/o cámaras especializadas y de alto costo para controlar un escenario limitado. Por ende, en este trabajo de tesis se propone la evaluación del desempeño de los modelos de visión por computador utilizados con videos capturados con diferentes dispositivos para la implementación de un sistema de detección de pose y caídas de bajo costo y adaptable a diferentes escenarios. Como resultado se obtuvo un sistema preciso que no requiere del uso de sensores y cuyos métodos disminuyen el tiempo de detección de pose y caídas.spa
dc.description.abstractHuman pose estimation is defined as the joints localization of a person or a group of people in an image or a video. Nowadays, pose estimation es commonly used by detection systems to monitor patients in hospital environments. However, is not an easy task because of the need of specialized personnel to manually evaluate the human posture, or using special equipment like: e-health devices(watches, strips, handles), markers or high cost cameras to control a limited space. In that order, this study proposed a performance evaluation of computer vision models used with videos captured with 3 different devices to develop a low cost pose and fall estimation system which is adaptable to different scenarios. As a result it was obtained a precise system that does not need the use of sensors or a high cost set of cameras, and which methods decrease the pose and fall detection time.spa
dc.format.mimetypeapplication/pdf
dc.identifier.doihttps://doi.org/10.48713/10336_24437
dc.identifier.urihttps://repository.urosario.edu.co/handle/10336/24437
dc.language.isospaspa
dc.publisherUniversidad del Rosariospa
dc.publisher.departmentEscuela de Medicina y Ciencias de la Saludspa
dc.publisher.programIngeniería Biomédicaspa
dc.rightsAtribución-NoComercial-SinDerivadas 2.5 Colombiaspa
dc.rights.accesRightsinfo:eu-repo/semantics/openAccess
dc.rights.accesoAbierto (Texto Completo)spa
dc.rights.licenciaEL AUTOR, manifiesta que la obra objeto de la presente autorización es original y la realizó sin violar o usurpar derechos de autor de terceros, por lo tanto la obra es de exclusiva autoría y tiene la titularidad sobre la misma.spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.source.bibliographicCitationBishop, C. M. (2006). Pattern recognition and machine learning. springerspa
dc.source.bibliographicCitationLópez Quintero, M. I. (2016). Estimación de la pose humana 2D en imágenes estéreo.spa
dc.source.bibliographicCitationLI, Xiu, et al. 3D Pose Detection of Closely Interactive Humans Using Multi-View Cameras. Sensors, 2019, vol. 19, no 12, p. 2831.spa
dc.source.bibliographicCitationWang, C., Wang, Y., & Yuille, A. L. (2013). An approach to pose-based action recognition. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 915-922).spa
dc.source.bibliographicCitationAndriluka, M., Pishchulin, L., Gehler, P., & Schiele, B. (2014). 2d human pose estimation: New benchmark and state of the art analysis. In Proceedings of the IEEE Conference on computer Vision and Pattern Recognition (pp. 3686-3693).spa
dc.source.bibliographicCitationGoogle. Introduction to TensorFlow. Disponible: tensorflow.org\learnspa
dc.source.bibliographicCitationH.Hayes.(2017,Marzo) Pelvis. Disponible: http://c-motion.com/v3dwiki/index.php?title=Helen_Hayes_(Davis)_Pelvisspa
dc.source.bibliographicCitationO'Shea, K., & Nash, R. (2015). An introduction to convolutional neural networks. arXiv preprint arXiv:1511.08458.spa
dc.source.bibliographicCitationLeitch, J., Stebbins, J., Paolini, G., & Zavatsky, A. B. (2011). Identifying gait events without a force plate during running: A comparison of methods. Gait & Posture, 33(1), 130-132.spa
dc.source.bibliographicCitationWu, Y., Schuster, M., Chen, Z., Le, Q. V., Norouzi, M., Macherey, W., ... & Klingner, J. (2016). Google's neural machine translation system: Bridging the gap between human and machine translation. arXiv preprint arXiv:1609.08144spa
dc.source.bibliographicCitationTang, L., Garvin, M. K., Lee, K., Alward, W. L., Kwon, Y. H., & Abramoff, M. D. (2011). Robust multiscale stereo matching from fundus images with radiometric differences. IEEE transactions on pattern analysis and machine intelligence, 33(11), 2245-2258spa
dc.source.bibliographicCitationGómez-González, E., Gomez, E., Márquez-Rivas, J., Guerrero-Claro, M., Fernández-Lizaranzu, I., Relimpio-López, M. I., ... & Capitán-Morales, L. (2020). Artificial intelligence in medicine and healthcare: a review and classification of current and near-future applications and their ethical and social Impact. arXiv preprint arXiv:2001.09778spa
dc.source.bibliographicCitationLeCun, Y. (2018). The Power and Limits of Deep Learning: In his IRI Medal address, Yann LeCun maps the development of machine learning techniques and suggests what the future may hold. Research-Technology Management, 61(6), 22-27.spa
dc.source.bibliographicCitationART: Advanced Realtime Tracking. Motion Capture. Abril 10, 2020.[Online]. Disponible: https://ar-tracking.com/applications/motion-capture/spa
dc.source.bibliographicCitationCao, Z., Hidalgo, G., Simon, T., Wei, S. E., & Sheikh, Y. (2018). OpenPose: realtime multi-person 2D pose estimation using Part Affinity Fields. arXiv preprint arXiv:1812.08008.spa
dc.source.bibliographicCitationLeCun, Y., & Bengio, Y. (1995). Convolutional networks for images, speech, and time series. The handbook of brain theory and neural networks, 3361(10), 1995spa
dc.source.bibliographicCitationKim, I .Julio, 2019. Deep Pose Estimation implemented using Tensorflow with Custom Architectures for fast inference.[Online]. Disponible: https://github.com/ildoonet/tf-pose-estimationspa
dc.source.bibliographicCitationValores normales para la amplitud de movimiento de las articulaciones. Manual MSD: versión para profesionales.[Online]. Disponible: https://www.msdmanuals.com/es/professional/multimedia/table/v1128315_esspa
dc.source.bibliographicCitationGómez, J. A. V. (2016). Problemas bioéticos emergentes de la inteligencia artificial. Diversitas: perspectivas en psicología, 12(1), 137-147spa
dc.source.bibliographicCitationPiñeros Lourenco, H. F. Evaluación del desarrollo y viabilidad de un sistema de detección de movimiento aplicable a pacientes de alto riesgo en caídas (Universidad del Rosario).spa
dc.source.instnameinstname:Universidad del Rosariospa
dc.source.instnameinstname:Universidad del Rosariospa
dc.source.reponamereponame:Repositorio Institucional EdocUR
dc.subjectAprendizaje profundospa
dc.subjectDetección de caídasspa
dc.subjectEstimación de posespa
dc.subjectInteligencia artificialspa
dc.subjectModelos de visión por computadorspa
dc.subject.ddcIncidencia & prevención de la enfermedadspa
dc.subject.ddcSistemasspa
dc.subject.keywordArtificial intelligencespa
dc.subject.keywordDeep learningspa
dc.subject.keywordComputer vision modelsspa
dc.subject.keywordPose estimationspa
dc.subject.keywordFall detectionspa
dc.titleEvaluación de modelos de visión por computador en video para la detección de la pose humana y caídaspa
dc.title.TranslatedTitleEvaluation of computer vision models in video for pose and fall detectioneng
dc.typebachelorThesiseng
dc.type.documentAnálisis de casospa
dc.type.hasVersioninfo:eu-repo/semantics/acceptedVersion
dc.type.spaTrabajo de gradospa
local.department.reportEscuela de Medicina y Ciencias de la Saludspa
Archivos
Bloque original
Mostrando1 - 1 de 1
Miniatura
Nombre:
EVALUACION-DE-MODELOS-DE-VISION-POR-COMPUTADOR-EN-VIDEO-PARA-LA-DETECCION-DE-LA-POSE-HUMANA-Y-CAIDAS.pdf
Tamaño:
3.99 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Colecciones
Pregrado en Ingeniería Biomédica