DETECÇÃO DE QUEDAS EM AMBIENTES RESIDENCIAIS POR VISÃO COMPUTACIONAL E MODELAGEM TEMPORAL CNN-LSTM

O aumento da expectativa de vida tem trazido à tona novos desafios relacionados à saúde e à segurança da população. Entre os riscos enfrentados, estão as quedas e acidentes domésticos, frequentes causadores de lesões e internações hospitalares. Diante deste contexto, este trabalho propõe um sistema para detecção de quedas de pessoas por meio do uso de técnicas de Inteligência Artificial e Visão Computacional. A solução proposta integra as ferramentas You Only Look Once (YOLOv3) para detecção de pessoas, AlphaPose para estimativa de poses corporais e um modelo de rede neural recorrente Long Short-Term Memory (LSTM) para classificação de movimentos suspeitos de queda. O sistema foi treinado a partir de vídeos de simulações de quedas coletados em um ambiente residencial controlado, os quais foram processados e convertidos em pontos-chave, permitindo o aprendizado de padrões de postura e transição. Os resultados no ambiente controlado atingiram acurácia global de 95% e sensibilidade (recall) de 98% para a classe de quedas, enquanto o teste com o conjunto externo de generalização em cenário residencial distinto alcançou 80% de acurácia e 85% de recall, indicando potencial de aplicação, mas ainda condicionado à validação em cenários reais e mais diversos. Conclui-se que a integração entre técnicas de visão computacional e inteligência artificial é uma alternativa promissora na detecção de acidentes domésticos, contribuindo para o avanço de tecnologias assistivas voltadas à saúde e bem-estar.