DETECÇÃO DE QUEDAS DE SOLDADOS COMBATENTES POR MEIO DE REDES NEURAIS ARTIFICIAIS

Abstract

During military operations involving combat soldiers, they face a series of physical challenges due to the nature of the activities, including injuries that can result in hypovolemic hemorrhagic shock and, in extreme cases, lead to death. Thus, it is essential that the control centers of these operations be quickly informed about the condition of the combatants, allowing for the acceleration of rescue efforts and the preservation of their lives. In this context, the Brazilian Navy developed the "Future Combatant" project, which aims to create models capable of detecting situations requiring immediate assistance for the combatant, as well as other relevant occurrences, such as conflicts or risk situations, that can be automatically identified from the inertial variations of the combatants. For the collection of these inertial variables, specific devices were chosen: a smartwatch model, positioned on the right and left wrists, and a smartphone model, positioned on the soldier’s chest. Within this project, the investigation of methods for detecting soldier falls stands out, divided into two main stages. The first stage involves implementing a neural network model to detect fall patterns, framing the problem as a classification task. The second stage aims to propose a binary classifier to differentiate operational falls from those caused by injuries. This dissertation focuses on fall detection, belonging to the first stage. For this research, data were collected on daily life activities, fall activities, and military activities with and without carrying weapons from 15 members of the Brazilian Navy, simulating inputs for the neural network model to be implemented and tested in field situations. From this dataset, 12 experimental scenarios were established for each sensor position, explored in the time and frequency domains, aiming to identify the set of inertial variables, sensor positions, and the domain that presented the best performance in classifying fall events. The chosen configuration set was implemented in the CNN1D neural network architecture, whose hyperparameters were adjusted through Bayesian optimization.

Durante operações militares envolvendo soldados combatentes, estes enfrentam uma série de desafios físicos devido à natureza das atividades, incluindo lesões que podem resultar em choque hemorrágico hipovolêmico e, em casos extremos, levar ao óbito. Assim, é fundamental que os centros de controle dessas operações sejam rapidamente informados sobre a condição dos combatentes, permitindo a agilização do resgate e a preservação de suas vidas. Nesse contexto, a Marinha do Brasil desenvolveu o projeto “Combatente do Futuro”, que tem como objetivo criar modelos capazes de detectar situações que demandem socorro imediato ao combatente, bem como outras ocorrências relevantes, como conflitos ou situações de risco, que possam ser identificadas automaticamente a partir das variações inerciais dos combatentes. Para a coleta dessas variáveis inerciais, foram escolhidos dispositivos específicos: um modelo de smartwatch, posicionado nos pulsos direito e esquerdo, e um modelo de smartphone, posicionado no peito do soldado. Dentro desse projeto, destaca-se a investigação de métodos para detecção de quedas de soldados, dividida em duas etapas principais. A primeira etapa consiste na implementação de um modelo de rede neural para detectar padrões de queda, enquadrando o problema como uma tarefa de classificação. Já a segunda etapa busca propor um classificador binário, com o objetivo de diferenciar quedas operacionais de quedas causadas por ferimentos. Esta dissertação concentra-se na detecção de quedas, pertencente à primeira etapa. Para a realização desta pesquisa, foram coletados dados de atividades de vida diária, atividades de quedas e atividades militares com porte e sem porte de arma de 15 militares da Marinha do Brasil, simulando as entradas para o modelo de rede neural a ser implementado e testado em situações de campo. A partir desse conjunto de dados, foram estabelecidos 12 cenários experimentais para cada posição dos sensores, explorados nos domínios do tempo e da frequência, com o objetivo de identificar o conjunto de variáveis inerciais, a posição dos sensores e o domínio que apresentassem o melhor desempenho na classificação de eventos de queda. O conjunto de configurações escolhido foi implementado na arquitetura de rede neural Rede Neurais Convolucionais Unidimensionais (CNN1D), cujos hiperparâmetros foram ajustados por meio de otimização bayesiana.