Kunstmatige hulpverpleegkundige: Tracking en Human Pose Estimation in de ouderenzorg

Het aantal ouderen en het tekort aan geschoolde zorg nemen drastisch toe, terwijl steeds meer verpleegkundigen overwerkt raken. Kunstmatige intelligentie in de vorm van Tracking en Human Pose Estimation kunnen hier een oplossing vormen.

Een van de meest functionele innovaties op het gebied van computer visie is real time video analyse voor het detecteren, identificeren en volgen van mensen. Vaak is het een probleem, met name in zorgomgevingen, om efficiënt objecten (patiënten in dit geval) te volgen voor toezicht. In bejaardentehuizen bijvoorbeeld moet het personeel veel moeite doen om hun patiënten niet uit het oog te verliezen. Dit omdat ouderen vatbaarder zijn voor ongelukken zoals vallen, die hen ernstige verwondingen kunnen opleveren of zelfs hun dood kunnen betekenen. Naast het detecteren van ongevallen is het ook belangrijk dat andere potentieel gevaarlijke situaties zoals rondzwervende ouderen en activiteiten waarbij mogelijk de hulp van een verpleegkundige vereist is tijdelijk opgemerkt worden, zodat hier juist op gehandeld kan worden.

Een geautomatiseerd videobewakingssysteem voor betrouwbare Human Pose Estimation, menselijke tracking en ongeluk detectie kan een aantal cruciale taken gedeeltelijk overnemen van verpleegkundigen. Door zo’n systeem kan er toezicht op patiënten worden gehouden op afstand of zelfs als er geen gezondheidszorg personeel aanwezig is, worden verpleegkundigen ontlast, en kan de kwaliteit van de zorg flink verbeteren.

Menselijke activiteiten interpreteren

Zorg software met Tracking en Human Pose Estimation kunnen live video streams van camera’s bekijken, en lichaamsbewegingen en menselijke activiteiten interpreteren. Denk hierbij aan het detecteren van vallen, het detecteren of de patiënt op de rand van het bed of op de grond zit, en het herkennen als de patiënt de badkamer ingaat en hoeveel tijd deze daar spendeert. Andere zaken die zulke software zou kunnen herkennen is als de patiënt moeite heeft uit bed te komen, als de patiënt de kamer verlaat om te gaan rondzwerven, of als deze te lang in de badkamer is.

Alarm slaan

Als de software in het geval van een echte val of echt ongeluk een verpleegkundige kan alarmeren, hoeft de verpleegkundige niet onnodig de kamer van de patiënt in om te controleren of alles goed gaat. Is de software geïntegreerd met de telefoon van de zorgverlener, dan kunnen meldingen via bijvoorbeeld SMS de zorgverlener waar en wanneer dan ook bereiken.

Activiteitsrapporten

Activiteitsrapporten kunnen de activiteiten van de patiënten in het camerabeeld bijhouden. Dit soort rapporten stellen doktoren in staat de volgorde van gebeurtenissen die een bepaalde patiënt zijn overkomen vlak voor en vlak na een val of alarmerend incident te ontdekken. Op die manier zullen zij nauwkeurigere diagnoses kunnen stellen gebaseerd op de huidige en werkelijke conditie van de patiënt zoals deze opgenomen is door het videobewakingssysteem.

Methoden

Er kunnen verschillende methoden gebruikt worden om menselijke activiteiten te interpreteren. Bepaalde onderzoeken focussen alleen op een enkele actie, zoals een valbeweging, terwijl andere alleen een enkel persoon in een huidig statisch videocamera beeld in acht nemen. Hoe dan ook is het belangrijk dat classificaties van menselijke poses die relevant zijn in een zorgomgeving in acht worden genomen, zoals staan, zitten en liggen, en dat alle onderwerpen die aanwezig zijn in het videobeeld worden gevolgd.

Verder zullen er stappen plaatsvinden als Human Detection, waarbij de patiënt onderscheiden moet worden van de achtergrond. Uitdagingen hierbij zijn o.a. veranderingen in verlichting en andere bewegende objecten zoals schaduwen. Ook zal er iets van ruisonderdrukking plaatsvinden en een bounding box gevormd worden die de bewegende persoon insluit.

Human Pose Recognition bepaalt de pose die binnen de bounding box wordt weergegeven en dus door de patiënt wordt aangenomen. Feature extraction en het vormen van een algemeen kenmerk type zullen worden ingediend bij een getrainde classificator voor pose herkenning. De classificator bepaalt tot welke categorie, zoals staan, zitten of liggen, de pose behoort. Vervolgens zullen de resultaten worden gebruikt om de beweging van het menselijk lichaam te volgen.

Dit soort computer visie en machine learning zorgsoftware vervangt bestaande, ouderwetse alarmsystemen en domotica die veel valse alarmen genereren, zonder dat het privacy risico wordt verhoogd. Ook ontlast deze kunstmatige hulpverpleegkundige de schaarse verpleegkundigen, en staat het hen toe meer te focussen op het geven van zorg. Zorgmedewerkers ervaren daardoor minder stress en krijgen weer plezier in hun werk. Als er daarbij automatische rapporten gemaakt worden van alle geregistreerde activiteiten bespaart dat de verzorgers nog meer tijd. Bovendien komen er zo interessante inzichten met betrekking tot het gedrag van de patiënt aan het licht die gebruikt kunnen worden bij het opstellen van een zorgplan, waardoor de kwaliteit van de zorg verbetert.

Geef een reactie

Vul je gegevens in of klik op een icoon om in te loggen.

WordPress.com logo

Je reageert onder je WordPress.com account. Log uit /  Bijwerken )

Google photo

Je reageert onder je Google account. Log uit /  Bijwerken )

Twitter-afbeelding

Je reageert onder je Twitter account. Log uit /  Bijwerken )

Facebook foto

Je reageert onder je Facebook account. Log uit /  Bijwerken )

Verbinden met %s