שיטה קלת‑משקל מבוססת YOLOv8n לגילוי תנוחות גוף חריגות

מדוע חשוב לזהות תנוחות גוף בלתי רגילות

נפילות, כאבים חדים בחזה או אדם המתמוטט במסדרון מתרחשים לעתים בתוך שניות, ואם אין מישהו בקרבת מקום — הסיוע עלול להגיע מאוחר מדי. המאמר מציג מערכת בינה מלאכותית קומפקטית שיכולה לצפות בוידאו שוטף ממצלמות אבטחה או חדרי טיפול ולהתריע בזמן אמת על תנוחות מסכנות או חריגות. על ידי הפיכת התוכנה לדיוק וקלת‑משקל גם יחד, החוקרים שואפים להביא זיהוי אמין של נפילות ואירועי בריאות למכשירים יומיומיים — ממסכי בתי חולים ועד מצלמות זולות בבתיהם של קשישים.

ממצלמות פשוטות לערנות חכמה יותר

מערכות מעקב מודרניות כבר משתמשות בראייה ממוחשבת כדי לזהות אנשים ולעקוב אחרי תנועותיהם, אבל תנוחות חריגות קשות במיוחד לזיהוי. מראהו של אדם יכול להשתנות מאוד בין עמידה, אחיזה בחזה, הקאה או שכיבה על הרצפה; האירועים קצרים, משתנים ולעתים חלקית מוסתרים על‑ידי רהיטים או תאורה גרועה. אלגוריתמים קיימים יכולים להיות מדויקים, אך לעתים כבדים ואיטיים, דורשים חומרה חזקה וכיול מדוקדק. המחברים מתמקדים בהפיכת הגילוי למהיר וחסכוני במשאבים כך שיוכל לפעול על כרטיסי גרפיקה נפוצים ואפילו על התקנים משובצים מבלי לפגוע באמינות.

מוח דק יותר לזיהוי תנוחות בסיכון

ליבת העבודה היא שיפור של מודל זיהוי עצמים פופולרי בשם YOLOv8n. החוקרים בנו וריאנט קל יותר וממוקד יותר המכונה PSD‑YOLOv8n. ראשית, הם הוסיפו מודול תשומת לב חדש, PoseMSA, המסייע לרשת לרכז את תשומת הלב בחלקים המידעיים ביותר בגוף האדם ולהתעלם מרקע עמוס. המודול עושה זאת באמצעות פעולות מלוטשות המדמות הסתכלות גם לרוחב התמונה וגם דרך שכבות התכונות השונות, ומגבירות את האותות החשובים לתנוחה תוך שמירה על מספר חישובים נמוך. שנית, הם עיצבו מחדש את האופן שבו המודל "מגדיל חזרה" פרטים באמצעות בלוק KA‑Sample לאפסקיילינג, שלומד להחדד אזורים סביב נקודות מפתח בגוף — כגון ראש, גוּף וגפיים — כך שתנוחות מעוותות או מתמוטטות יבלטו באופן ברור יותר.

קופסאות חדות יותר והחלטות ברורות יותר

בהבנתם שתנוחות חריגות לעתים מתמזגות עם הסביבה — חשבו על אדם פרוש חלקית מתחת לשולחן — המחברים שיפרו גם את שלב ההחלטה הסופי, המכונה ראש הגילוי. המודול Detect‑PSA שלהם משלב מידע מרמות סקייל שונות ומיישם שיטה מבוססת הסתברות לציור תיבות גבול. במקום לנחש קצה חד ומוחלט של תחום האדם, המערכת מייצגת כל צד של התיבה כהתפלגות קטנה של מיקומים סבירים ואז ממוצעת ביניהם. גישה זו מייצרת קווי מתאר יציבים יותר כאשר הגפיים מתקצרות בפרספקטיבה, מוסתרות או פרושות על הרצפה, מה שמניב תיבות המתקרבות יותר ל"אמת הקרקע" שנצבעה בידי בני אדם בסצנות מאתגרות.

בחינת המערכת במבחן

כדי לבדוק עד כמה העיצוב שלהם עובד בפועל, הצוות יצר מאגר תמונות ייעודי, SSHDataset, שנבנה מוידאוים פנימיים שצולמו מזוויות מרובות ומציגים אנשים בארבע מצבים: רגיל, כאב חזה, הקאה ונפילה. לאחר תיוג ידני מדוקדק והעשרת הנתונים, אימנו את PSD‑YOLOv8n וטווח של מודלים מתחרים בהגדרות זהות. במדדי הדיוק הסטנדרטיים שיטה שלהם הגיעה לציון זיהוי של 97.8% בסף חפיפה מקובל ושמרה על ביצועים חזקים גם תחת קריטריונים מחמירים יותר. במקביל, היא השתמשה בכמעט שני מיליון פרמטרים בלבד ולקובץ משקל של 4.5 מגה‑בייט — כלומר כשליש פחות פרמטרים וכמות חישוב נמוכה ביותר לעומת YOLOv8n המקורי — תוך ריצה בקצב של מעל 80 פריימים לשנייה. בדיקות על מאגר ציבורי עצמאי לזיהוי נפילות הראו שהשיפורים נשמרים גם על נתונים חדשים, עם שיפורים בולטים במיוחד בזיהוי נפילות ממשיות.

מה המשמעות לזהות היומיומית

באופן פשוט, המחקר מספק "מציל" דיגיטלי קומפקטי שיכול לצפות בוידאו חי ולזהות באמינות כשמצב גוף של אדם מצביע על סיכון. על‑ידי עיצוב מחודש של האופן שבו המודל מתמקד באזורים בגוף, משחזר פרטים עדינים ומשרטט תיבות סביב אנשים, המחברים משיגים שילוב נדיר של דיוק גבוה, מהירות וגודל קטן. מערכת כזו יכולה להיות משולבת במסכי בתי חולים, ממגברים חכמים בבית או במצלמות במרחבים ציבוריים כדי להפעיל התראות בזמן על נפילות או מצוקה פתאומית, גם בחדרים עמוסים ותנאי תאורה משתנים. ככל שהשיטה תתמקצע ותורחב לרצפי וידאו ארוכים ולסביבות חדשות, היא עלולה לשמש בסיס לדור חדש של שומרי ראש שקטים ותמיד‑פעילים, המסייעים לשמור על בטיחותם של אנשים פגיעים מבלי לדרוש השגחה אנושית רציפה.

ציטוט: Li, G., Zhang, J., Ji, Q. et al. A lightweight YOLOv8n-based method for human abnormal posture detection. Sci Rep 16, 7222 (2026). https://doi.org/10.1038/s41598-026-37903-2

מילות מפתח: זיהוי נפילות, תנוחת גוף, ראייה ממוחשבת, בינה קלת‑משקל, טיפול בקשישים