Resumo Técnico: DAÏO – Um Sistema de Detecção de Quedas Baseado em Visão em Tempo Real de Alta Especificidade

1. Definição do Problema

O rápido envelhecimento da população global intensificou a necessidade de sistemas autônomos de detecção de quedas, uma vez que as quedas são a segunda principal causa de mortes por lesões acidentais entre adultos acima de 65 anos. O desfecho clínico para uma vítima de queda depende fortemente do "tempo de permanência no chão" (lie time) — a duração antes da chegada da assistência médica. Embora os sensores vestíveis sofram com baixa adesão do usuário e os sensores ambientais enfrentem problemas de instalação e interferência, os sistemas baseados em visão ofereis uma alternativa não intrusiva. No entanto, as abordagens de visão computacional existentes enfrentam três limitações críticas:

1. Instabilidade Cinemática: Dados brutos de estimativa de pose são propensos a jitter de alta frequência e atraso de rastreamento durante movimentos rápidos ou oclusões.
2. Altas Taxas de Falsos Positivos (FPR): Atividades de Vida Diária (AVDs) rotineiras que mimetizam a física de uma queda — como agachamentos profundos, sentar rapidamente ou prostrações religiosas — frequentemente disparam alarmes falsos, levando à fadiga de alertas.
3. Privacidade e Latência: Sistemas tradicionais muitas vezes dependem de processamento em nuvem, o que compromete a privacidade em espaços privados e introduz latência que retarda as respostas de emergência.

2. Metodologia

O artigo propõe o DAÏO, um framework localizado, capaz de operar em edge computing, que substitui a classificação de "caixa-preta" de aprendizado profundo por uma arquitetura baseada em regras e informada pela física. O sistema opera através de cinco estágios sequenciais:

A. Estimativa de Pose Humana Baseada em Edge

O sistema ingere quadros de vídeo RGB 2D e utiliza o MediaPipe Pose para extrair 33 marcos esqueléticos (landmarks). Crucialmente, ele aproveita as métricas de visibilidade integradas do MediaPipe ($v_i$) para determinar se uma articulação está ocluída.

B. Modelagem de Espaço de Estados e Filtro de Kalman Estendido (EKF)

Para mitigar o jitter e lidar com oclusões, o DAÏO implementa instâncias independentes de EKF para o ponto médio do quadril ($H$) e o ponto médio dos ombros ($S$).

• Vetor de Estado: Modelado como um vetor 4D contendo coordenadas filtradas ($x, y$) e velocidades ($\dot{x}, \dot{y}$).
• Ruído de Medição Adaptativo: Uma inovação central é o ajuste dinâmico da covariância do ruído de medição ($R$) com base no escore de visibilidade da articulação. Quando uma articulação está ocluída (baixa visibilidade), o Ganho de Kalman escala para zero, fazendo com que o filtro dependa inteiramente do modelo de processo físico interno em vez de observações brutas não confiáveis. Isso evita picos de rastreamento durante eventos de oclusão.
• Rastreamento do Ângulo do Torso: O sistema lineariza o cálculo do ângulo do torso (vetor de $H$ para $S$) usando derivações Jacobianas para garantir estabilidade matemática durante rotações rápidas.

C. O Mecanismo de Lógica de Tripla Verificação (Triple-Check Logic Engine)

Para garantir alta especificidade, uma queda só é confirmada se três condições independentes forem atendidas simultaneamente:

1. Verificação de Posição Dinâmica: O deslocamento vertical dos quadris deve cair abaixo de 50% da altura calibrada em pé.
2. Análise do Ângulo do Torso: O torso deve estar em uma orientação quase horizontal (aprox. 0° a 15° em relação ao solo), filtrando ações verticais como agachamentos profundos.
3. Trava de Velocidade Cinemática (Kinematic Velocity Latch): A velocidade vertical dos quadris deve exceder um limiar (1,5 m/s). Isso diferencia quedas descontroladas de movimentos descendentes controlados (ex: ajoelhar ou prostrações). Um mecanismo de "trava" mantém o estado de alerta mesmo quando a velocidade cai para zero durante a fase estática pós-queda.

D. Máquina de Estados Finitos (FSM)

Uma máquina de estados gerencia as transições do sistema para evitar falhas de quadro único:

• Calibrando (Calibrating): Estabelece a altura de base (100 quadros).
• Monitorando (Monitoring): Executa o EKF e as verificações de lógica.
• Queda Suspeita (Fall Suspected): Um buffer temporal exigindo 30 quadros consecutivos (1,0s) de verificações positivas.
• Queda Confirmada (Fall Confirmed): Dispara alertas locais seguros (MQTT/Telegram).
• Recuperação (Recovery): Reinicia o sistema apenas após o usuário retornar a uma postura ereta por 150 quadros (5,0s).

3. Principais Contribuições

• Arquitetura Híbrida: A integração de um estimador de pose leve (MediaPipe) com um EKF baseado em física e um motor de lógica baseado em regras, evitando o peso computacional de classificadores temporais de aprendizado profundo.
• Modelagem de Ruído Adaptativo: Um método inovador para ajustar dinamicamente o ruído de medição do EKF com base em escores de visibilidade em tempo real, lidando efetivamente com oclusões parciais sem falha de rastreamento.
• Mecanismo de Trava de Velocidade: Um filtro cinemático específico que reduz drasticamente os falsos positivos causados por AVDs que mimetizam a geometria de queda, mas carecem de impacto de alta velocidade.
• Implantação em Edge Preservando a Privacidade: Todo o pipeline roda localmente em hardware de consumo (ex: Raspberry Pi 4), garantindo que o vídeo bruto nunca saia do dispositivo; apenas a telemetria estruturada é transmitida.

4. Resultados

O sistema foi avaliado em um conjunto de dados composto por 340 sequências de vídeo (~153.000 quadros) do UR Fall Dataset, Multiple Cameras Fall Dataset (MCFD) e cenários de teste de estresse personalizados.

• Métricas de Desempenho:
  • Acurácia Geral: 95,3%
  • Sensibilidade (Recall): 93,3%
  • Especificidade: 96,4%
  • Latência Média de Alerta: 1,23 segundos.
• Estudo de Ablação (Impacto da Trava de Velocidade):
  • Comparado a uma linha de base de apenas postura, o pipeline completo do DAÏO reduziu a Taxa de Falsos Positivos em 79,7%.
  • Prostrações Religiosas: O modelo de apenas postura classificou incorretamente 100% das sequências de oração como quedas. O DAÏO alcançou 100% de especificidade (Taxa de Verdadeiro Negativo) nessas sequências ao detectar a ausência de impacto de alta velocidade.
  • Compromisso de Sensibilidade: Uma pequena diminuição de 0,9% na sensibilidade foi observada, isolada em quedas de "descida lenta" (ex: deslizar pela parede devido a um desmaio) que não excedem o limiar de velocidade de 1,5 m/s.
• Execução em Tempo Real:
  • Estação de Trabalho (i7-11700K, RTX 3070): 35,7 FPS.
  • Dispositivo Edge (Raspberry Pi 4): 12,3 FPS.
  • O EKF e as verificações de lógica adicionaram um overhead negligível (5ms na estação de trabalho, 8ms no Pi), confirmando a viabilidade para nós de baixo poder computacional.

5. Significância e Alegações

O artigo afirma que o DAÏO aborda o "déficit de especificidade" nos sistemas atuais de detecção de quedas ao incorporar leis físicas (gravidade e cinemática) diretamente no loop de rastreamento, em vez de depender apenas de reconhecimento de padrões baseado em dados.

• Robustez: O sistema demonstra alta confiabilidade em distinguir entre quedas reais e AVDs complexas, particularmente aquelas que envolveem movimento descendente rápido sem impacto (como prostrações).
• Privacidade: Ao operar inteiramente no edge, ele elimina as preocupações de privacidade associadas ao streaming de vídeo para a nuvem, tornando-o adequado para ambientes sensíveis como quartos e banheiros.
• Limitações Reconhecidas: Os autores notam modestamente que o sistema pode perder quedas de descida lenta (síncope) devido ao limiar de velocidade e pode apresentar instabilidade se as articulações principais estiverem totalmente ocluídas por mais de 2,0 segundos.

Trabalhos futuros são propostos para expandir o sistema para redes de múltiplas câmeras, integrar sensores de profundidade/infravermelho para condições de baixa luminosidade e utilizar aprendizado ativo para adaptar o sistema aos padrões de marcha variáveis do usuário ao longo do tempo.