Riassunto analitico
Il progetto di tirocinio sul quale è basato questo elaborato, svolto presso l’Università degli Studi di Modena e Reggio Emilia, ha avuto come obiettivo lo sviluppo di sistemi di rilevamento delle cadute e riconoscimento dei gesti usando machine learning e sensori di tipologie diverse. Questa tesi si focalizza sull'utilizzo di un sensore radar per il rilevamento delle cadute dal letto, un'applicazione particolarmente utile nell'ambito dell'assistenza agli anziani e alle persone con disabilità. L'uso del radar è ideale in contesti che richiedono maggiore privacy rispetto a una telecamera tradizionale, come una camera da letto. La classificazione delle cadute distingue tra 'sdraiato' e 'caduta' sfruttando l'effetto doppler del radar ed il machine learning. I dati radar, raccolti con il sensore posizionato sul soffitto sopra il letto, sono stati inviati sulla rete locale tramite protocollo UDP, salvati ed etichettati per l'addestramento di una rete neurale attraverso l'uso di DEEPCRAFT Studio. Il modello, una volta addestrato, è stato poi portato sul microcontrollore che gestisce il radar tramite opportuni adattamenti, realizzando un'applicazione completa di TinyML. Il sistema ha mostrato alta precisione nella classificazione delle cadute, con potenziale integrazione in ambienti domestici e sanitari per migliorare la sicurezza di soggetti a rischio. La tecnologia radar offre, inoltre, i vantaggi di poter operare in condizioni di scarsa illuminazione e di rilevare movimenti anche minimi.
|
Abstract
The internship project on which this thesis is based, carried out at the University of Modena and Reggio Emilia, focused on the development of fall detection and gesture recognition systems using machine learning and different types of sensors. This thesis focuses on the use of a radar sensor to detect falls from bed, an application that is particularly useful in the context of caring for the elderly and people with disabilities. The use of radar is ideal in contexts that require more privacy than a traditional camera, like a bedroom. The classification of falls distinguishes between ‘lying down’ and ‘falling down’ by using the doppler effect of radar and machine learning. Radar data, collected with the sensor positioned on the ceiling above the bed, was sent over the local network via UDP protocol, saved and labelled to train a neural network using DEEPCRAFT Studio. The model, once trained, was then ported to the microcontroller that manages the radar sensor through appropriate adaptations, obtaining a complete TinyML application. The system showed high accuracy in classifying falls, with potential integration in home and healthcare environments to improve the safety of at-risk individuals. Radar technology also offers the advantages of being able to operate in low light conditions and detect even minimal movements.
|
