Resumen

La principal causa de muerte relacionada con lesiones para los ancianos está representada por las caídas. La comunidad científica les dedica una atención especial, ya que las lesiones pueden limitarse mediante una detección temprana del suceso. La solución propuesta en este trabajo se basa en un clasificador combinado de SVM de una clase (OCSVM) y de coincidencia de plantillas que discrimina las caídas humanas de las no caídas en un marco semisupervisado. Las señales acústicas se capturan mediante un sensor acústico de suelo; a continuación, se extraen los coeficientes cepstrales de frecuencia mel y los supervectores medios gaussianos (GMS) para la discriminación de caídas/no caídas. Aquí proponemos un enfoque de un solo sensor en dos etapas asistido por el usuario: en la primera etapa, el OCSVM detecta los eventos acústicos anormales. En la segunda, el clasificador de coincidencia de plantillas produce la decisión final explotando un conjunto de plantillas GMS relacionadas con los eventos marcados como falsos positivos por el usuario. El rendimiento del algoritmo se ha evaluado en un corpus que contiene sonidos humanos de caídas y no caídas. En comparación con el enfoque OCSVM únicamente, el algoritmo propuesto mejora el rendimiento en un 10,14% en condiciones limpias y en un 4,84% en condiciones ruidosas. En comparación con Popescu y Mahnot (2009), la mejora del rendimiento es del 19,96% en condiciones limpias y del 8,08% en condiciones ruidosas.

• Materias:Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Fisiología vegetal
• Subjects:Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Plant physiology
• Palabras claves:condiciones limpias, condiciones ruidosas, causa de la lesión, conjunto de plantilla, eventos acústicos anormales, sensor acústico de suelo, coeficiente cepstral de frecuencia, supervectores de medias gaussianas, eventos, señal acústica
• Keywords:clean conditions, noisy conditions, cause of injury, set of template, abnormal acoustic events, floor acoustic sensor, frequency cepstral coefficient, gaussian means supervectors, events, acoustic signal