Evaluación de Modelos de Aprendizaje Profundo en Computadoras de Plataforma Única para la Detección de Caídas en Personas en el Hogar

Abstract

Las caídas de adultos mayores representan un problema crítico de salud pública, con consecuencias potencialmente fatales cuando no son atendidas oportunamente. Este estudio evaluó ́ la capacidad de modelos de aprendizaje profundo implementados en computadoras de plataforma única para detectar caídas, considerando precisión, tiempo de respuesta, consumo energético, temperatura y uso de memoria. Se diseñaron y entrenaron cinco configuraciones de MobileNetV2 con diferentes resoluciones (100×130 a 240×320 píxeles), aplicando técnicas de cuantización (FP16, INT8) y evaluándolas en cuatro plataformas (Raspberry Pi 4/5, Jetson Nano, Tinker Edge T). Los resultados revelaron que todas las configuraciones superaron el umbral de precisión del 80 %, con F1-scores de hasta 0.936, mientras que la implementación en dispositivos económicos demostró ser viable, con rendimientos de hasta 317 FPS en hardware especializado. El análisis multidimensional identifico ́ configuraciones óptimas para diferentes escenarios: máxima precisión (Jetson Nano, 240×320), mejor balance (Jetson Nano, 112×146) y ultra bajo consumo (Tinker Edge T, 100×130). Esta investigación establece un marco técnico replicable para sistemas de detección de caídas costo-efectivos, confirmando que el compromiso entre precisión, rendimiento y eficiencia energética puede gestionarse eficazmente mediante la selección adecuada de resolución y técnicas de optimización.

Falls among older adults represent a critical public health problem, with potentially fatal conse- quences when not promptly attended. This study evaluated the capability of deep learning models

implemented on single-board computers to detect falls, considering accuracy, response time, power consumption, operating temperature, and memory usage. Five MobileNetV2 configurations with different resolutions (100×130 to 240×320 pixels) were designed and trained, applying quantization techniques (FP16, INT8) and evaluating them on four platforms (Raspberry Pi 4/5, Jetson Nano, Tinker Edge T). Results revealed that all configurations exceeded the 80 % accuracy threshold,

with F1-scores up to 0.936, while implementation on affordable devices proved viable, with per- formance reaching 317 FPS on specialized hardware. Multidimensional analysis identified optimal

configurations for different scenarios: maximum precision (Jetson Nano, 240×320), best balan- ce (Jetson Nano, 112×146), and ultra-low consumption (Tinker Edge T, 100×130). This research

establishes a replicable technical framework for cost-effective fall detection systems, confirming that trade-offs between accuracy, performance, and energy efficiency can be effectively managed through appropriate selection of resolution and optimization techniques.