Detectar caídas mediante la implementación de Machine Learning en la ropa Deja un comentario

La densidad ósea, la fuerza y la coordinación disminuyen a medida que envejecemos, y este hecho puede llevar a algunas consecuencias graves en forma de resbalones, caídas y otros accidentes. En Finlandia, las caídas son el tipo más común de muerte accidental entre las personas de 65 años o más, lo que representa alrededor de 1.200 al año. Pero Thomas Vikstrom espera reducir este número mediante la detección de caídas en el momento en que ocurren mediante el uso del acelerómetro de la Arduino Nicla Sense ME junto con una chaqueta K-Way y un smartwatch.

Al principio, Vikstrom intentó recopilar y etiquetar datos de todo tipo de actividades, como sentarse, caminar, correr, conducir, etc., pero más tarde se dio cuenta de que la detección de anomalías sería mucho más adecuada para esta aplicación. Después de recopilar alrededor de 80 segundos de datos con Edge Impulse Studio, entrenó un modelo de detección de anomalías para detectar cuando ocurren eventos fuera de lo común. El modelo fue luego implementado en la Nicla Sense ME integrando el código de inferencia con un servicio BLE que emite un valor positivo cuando se detecta una caída, y también ilumina el LED incorporado.

Para recibir esta información, Vikstrom añadió un smartwatch Bangle.js 2 al sistema que llama automáticamente a un número de emergencia si el usuario no interviene. Para obtener más detalles, puedes consultar su página de documentación de Edge Impulse aquí. Aunque solo es una prueba de concepto, este proyecto de K-Way demuestra cómo el outerwear con alimentación tinyML se puede utilizar para detectar caídas, y junto con dispositivos de red celular pedir ayuda en caso de que el usuario esté inmóvil.