転倒検知見守りAI — 映像を外に出さない
姿勢推定で「急な転倒」と「意図的に横になる動作」を見分ける、プライバシーファーストの見守りデモ。映像はブラウザから一切出ません。
このデモで起きていること — 映像を「2つの数値」に要約する
見守りAIの本質は「映像を集めること」ではなく「異常イベントを検知すること」です。 本デモは映像を体幹の傾きと腰の降下速度という2つの幾何量に要約し、 ステートマシンで転倒だけを拾います。
姿勢推定（ブラウザ内）
MediaPipe PoseLandmarkerが体の33点をリアルタイム検出。映像はGPU上で処理され、端末の外に出ません。
特徴量へ要約
映像そのものではなく「体幹の傾き」「腰の降下速度」というわずか2つの幾何量に要約します。
ステートマシン判定
「急降下のあとに横臥が続く」場合だけ転倒と判定。ゆっくり横になる動作は警報しません。
イベントだけを通知
実運用では映像ではなく「転倒疑い」というイベント信号だけをナースコール等へ送る設計にできます。
誤報を抑える設計: 転倒の判定条件は「急降下（しきい値以上の腰の降下速度）→ 3秒以内に横臥姿勢 → 2秒継続」。 ベッドにゆっくり横になる・しゃがんで物を拾うといった日常動作は急降下を伴わないため警報しません。 シミュレーションの4シナリオで、この違いをそのまま確かめられます。
クラウド見守りカメラとの違い — 介護現場でエッジ処理が選ばれる理由
見守りカメラはプライバシー侵害への懸念や映像データの漏えいリスクが導入時の大きな課題とされています。 「そもそも映像を外に出さない」エッジ処理は、この課題への最も根本的な回答です。
| 観点 | クラウド録画型 | エッジ処理型（本デモの方式） |
|---|---|---|
| 映像の行き先 | クラウドへ常時送信・保存 | 端末内で完結（本デモはブラウザ内） |
| 漏えいリスク | 保存映像の漏えい・不正閲覧リスクが残る | 映像が存在しないため漏えいしようがない |
| 入居者・家族への説明 | 「録画されている」ことへの心理的抵抗 | 「映像は出ない・イベントだけ通知」と説明しやすい |
| 通信量・回線 | 常時アップロードで帯域を消費 | イベント時のみ数バイト〜数KB |
| 停電・回線断 | 回線断で見守り停止 | 端末単体で判定継続（通知のみ遅延） |
※ クラウド型にも複数拠点の一括管理など固有の利点があります。要件に応じた使い分け・併用が現実解です。
その先へ — 施設間で「学び」だけを持ち寄る連合学習
転倒の起き方は施設・居室・利用者ごとに大きく異なります（非IIDデータ）。 かといって各施設の映像を1か所に集めて学習するのはプライバシー上不可能。 ここで効くのが連合学習（FL）です — 各施設のエッジ端末がローカルで判定モデルを改善し、映像ではなくモデルの重みの差分だけを持ち寄って、 全施設の見守り精度を底上げします。エッジ処理（このデモ）とFLは、介護AIのプライバシー設計における両輪です。
重要な注意: 本デモは技術検証・学習目的のデモンストレーションであり、医療機器・介護機器ではありません。 照明条件・カメラ角度・遮蔽物などにより見逃し（転倒を検知できない）や誤報が発生します。 実際の見守り業務への導入には、設置環境に合わせた検証、複数センサーの併用、 人による確認体制を含む運用設計が不可欠です。本デモの判定結果を唯一の安全対策として使用しないでください。
技術仕様
| 姿勢推定 | MediaPipe PoseLandmarker Lite（約5MB・Apache 2.0）/ WebGPU・WASM でブラウザ内実行・33ランドマーク |
| 転倒判定 | 依存ゼロの純JSステートマシン（自作）。体幹角度（肩中点→腰中点の垂直からの傾き）と 腰の降下速度（正規化高さ/秒・0.35秒窓+平滑化）の2特徴量。 急降下 → 3秒以内の横臥 → 2秒継続で警報。急降下後の姿勢ロストも警報 |
| プライバシー | 映像・ランドマーク・イベントログともサーバー送信なし。顔自動モザイク（姿勢ランドマーク由来・任意OFF） |
| 検証 | 合成姿勢シーケンス4種（転倒/緩慢な臥床/しゃがみ/転倒後ロスト）で 「警報すべき時のみ警報」をユニットテスト済み。シミュレーションモードと同一データ |
実機で見守りAIを動かすなら
ブラウザの次は実機で。Raspberry Pi + カメラモジュールやJetsonなら、この仕組みを24時間動く専用見守り端末にできます。
※ 上記リンクはアフィリエイトリンクです。購入により当サイトに収益が発生する場合があります。