ระบบตรวจจับท่าทางมือแบบเรียลไทม์สำหรับการดูแลผู้สูงอายุด้วยมีเดียไปป์และแจ้งเตือนผ่านแอปพลิเคชันไลน์
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้ได้นำเสนอระบบตรวจจับท่าทางมือแบบเรียลไทม์สำหรับการดูแลผู้สูงอายุ ด้วยมีเดียไปป์และแจ้งเตือนผ่านแอปพลิเคชันไลน์ วัตถุประสงค์หลักเพื่อพัฒนาต้นแบบระบบตรวจจับท่าทางมือแบบเรียลไทม์สำหรับการดูแลผู้สูงอายุด้วยมีเดียไปป์ และแจ้งเตือนผ่านแอปพลิเคชันไลน์ เมื่อตรวจพบท่าทางมือตามที่กำหนดไว้ ระบบส่งข้อความแจ้งเตือนไปยังผู้ใช้งานผ่านทางแอปพลิเคชันไลน์ การพัฒนาต้นแบบ ประกอบด้วย 2 ส่วน คือ ส่วนของฮาร์ดแวร์ ประกอบด้วย Raspberry Pi 5 และ Raspberry Pi Camera Module 3 และส่วนของซอฟต์แวร์ ระบบแจ้งเตือนการตรวจจับท่าทางแสดงผลผ่านทางแอปพลิเคชันไลน์ พบว่าต้นแบบระบบสามารถตรวจจับท่าทางการขอความช่วยเหลือได้จำนวน 3 ท่า และแสดงผลการแจ้งเตือนผ่านทางแอปพลิเคชันไลน์ได้ ผลการวัดความถูกต้อง ท่าที่ 1 ท่าเลิฟ มีความถูกต้อง 93% ท่าที่ 2 ท่าชี้ขึ้น มีความถูกต้อง 98.5% และท่าที่ 3 ท่าชูสองนิ้ว มีความถูกต้อง 99.5% สามารถนำไปใช้งานกับผู้สูงอายุในการส่งสัญญาณท่าทางมือให้กับผู้ดูแลต่อไปได้
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
- เนื้อหาต้นฉบับที่ปรากฏในวารสารเป็นความรับผิดชอบของผู้เขียน ทั้งนี้ไม่รวมความผิดพลาดอันเกิดจากเทคนิคการพิมพ์
- ลิขสิทธิ์ต้นฉบับที่ได้รับการตีพิมพ์ในวารสารวิชาการ ซายน์เทค มรภ.ภูเก็ต ถือเป็นกรรมสิทธิ์ของวารสารวิชาการ ซายน์เทค มรภ.ภูเก็ต
เอกสารอ้างอิง
(1) กรมกิจการผู้สูงอายุ. (2564). สังคมผู้สูงอายุในปัจจุบันและเศรษฐกิจในประเทศไทย. [ออนไลน์], สืบค้นจาก https://www.dop.go.th/th/know/15/926 (25 พฤศจิกายน 2567).
(2) มูลนิธิสถาบันวิจัยและพัฒนาผู้สูงอายุไทย. (2566). รายงานสถานการณ์ผู้สูงอายุไทย พ.ศ. 2565. [ออนไลน์], สืบค้นจาก https://thaitgri.org/?wpdmpro=รายงานสถานการณ์ประจำปี (25 พฤศจิกายน 2567).
(3) Veluri, R. K., Sree, S. R., Vanathi, A., Aparna, G., & Vaidya, S. P. (2022). Hand gesture mapping using MediaPipe algorithm. In Proceedings of the Third International Conference on Communication, Computing and Electronics Systems, 597–614.
(4) Nguyen, T. T., Nguyen, N. C., Ngo, D. K., Phan, V. L., Pham, M. H. P., Nguyen, D. A., Doan, M. N., & Le, T. L. (2022). A continuous real-time hand gesture recognition method based on skeleton. In Proceedings of the 11th International Conference on Control, Automation and Information Sciences (ICCAIS), 273–278.
(5) Jo, B. J., Kim, S. K., & Kim, S. (2023). Enhancing virtual and augmented reality interactions with a MediaPipe-based hand gesture recognition user interface. International Information and Engineering Technology Association, 28(3), 633–638.
(6) Indriani, I., Harris, M., & Agoes, A. S. (2021). Applying hand gesture recognition for user guide application using MediaPipe. In Proceedings of the 2nd International Seminar of Science and Applied Technology (ISSAT), 101–108.
(7) Mahmoud, N. M., Fouad, H., & Soliman, A. M. (2021). Smart healthcare solutions using the internet of medical things for hand gesture recognition system. Complex & Intelligent Systems, 7(3), 1253–1264.
(8) Google for Developers. (2023). Hand landmarks detection guide. [ออนไลน์], สืบค้นจาก https://developers.google.com/mediapipe/solutions/vision/hand_landmarker (25 พฤศจิกายน 2567).
(9) Osipov, A., & Ostanin, M. (2021). Real-time static custom gestures recognition based on skeleton hand. In International Conference "Nonlinearity, Information and Robotics" (NIR), 1–4.
(10) Mahmood, N. T., Jabbar, M. S., & Abdalrazak, M. (2024). A real-time hand gesture recognition based on Media-Pipe and support vector machine. In F. Saeed, F. Mohammed, & Y. Fazea (eds.), Advances in intelligent computing techniques and applications, Lecture Notes on Data Engineering and Communications Technologies (pp. 263–273). Springer.
(11) Kim, J. W., Choi, J. Y., Ha, E. J., & Choi, J. H. (2023). Human pose estimation using MediaPipe pose and optimization method based on a humanoid model. Applied Sciences, 13(4), 1–21.
(12) Sundar, B., & Bagyammal, T. (2022). American sign language recognition for alphabets using MediaPipe and LSTM. Procedia Computer Science, 215, 642–651.
(13) Mallik, B., Rahim, M. A., Miah, A. S. M., Yun, K. S., & Shin, J. (2024). Virtual keyboard: A real-time hand gesture recognition-based character input system using LSTM and MediaPipe Holistic. Computer Systems Science and Engineering, 48(2), 555–570.
(14) Hernández-Del-Toro, T., Martínez-Santiago, F., & Montejo-Ráez, A. (2022). Chapter 7 - Assessing classifier's performance. In Torres-García, A. A., Reyes-García, C. A., Villaseñor-Pineda, L., & Mendoza-Montoya, O. (eds.), Biosignal processing and classification using computational learning and intelligence (pp. 131–149). Academic Press.
(15) ณัฐวดี หงส์บุญมี, และนันทวดี บุญสะอาด. (2566). ระบบวิเคราะห์สายพันธุ์อะโวคาโดด้วยเทคนิคการเรียนรู้เชิงลึกผ่านสมาร์ตโฟน. วารสารวิชาการซายน์เทค มรภ.ภูเก็ต, 7(1), 46–58.
(16) เอกรินทร์ แสงยอ, ศุภชัย รอดฤทธิ์, ภานุวัฒน์ เมฆะ, พยุงศักดิ์ เกษมสำราญ, และกิตติกร หาญตระกูล. (2568). การพัฒนาระบบสแกนใบหน้าในการบริหารงานทรัพยากรบุคคล : กรณีศึกษา บริษัท ดูดี อินดีด จำกัด. วารสารแม่โจ้เทคโนโลยีสารสนเทศและนวัตกรรม, 11(3), 54–82.
(17) Lindroth, H., Nalaie, K., Raghu, R., Ayala, I. N., Busch, C., Bhattacharyya, A., Moreno Franco, P., Diedrich, D. A., Pickering, B. W., & Herasevich, V. (2024). Applied artificial intelligence in healthcare: A review of computer vision technology application in hospital settings. Journal of Imaging, 10(4), 1–29.
(18) Rahul, A., Priyanka, S. S., Dappuri, B., Lakshmi, N. D., & Koneru, A. (2024). Hand gesture recognition for patient monitoring in the medical field: A deep convolution neural networks approach. In Proceedings of the 7th International Conference on Circuit Power and Computing Technologies (ICCPCT), 1533–1539.
(19) นโรตม์ นิลสุขุม, และวิยดา ยะไวทย์. (2567). ระบบการแจ้งเตือนการล้มอัจฉริยะเพื่อการระบุตัวตนและท่าทางการล้ม. วารสารวิทยาการสารสนเทศและเทคโนโลยีประยุกต์, 6(1), 65–83.
(20) Dhuzuki, N. H. M., Zainuddin, A. A., Zaman, N. A. S. K., Razmi, A. N. M. A., Kaitane, W. S., Puzi, A. A., Johar, M. N., Yazid, M., Nordin, N. A. M., Sidek, S. N., & Zaki, H. F. M. (2025). Design and implementation of a deep learning-based hand gesture recognition system for rehabilitation Internet-of-Things (RIoT) environments using MediaPipe. IIUM Engineering Journal, 26(1), 353–372.
(21) Sánchez-Brizuela, G., Cisnal, A., de la Fuente-López, E., Fraile, J., & Pérez-Turiel, J. (2023). Lightweight real-time hand segmentation leveraging MediaPipe landmark detection. Virtual Reality, 27, 3125–3132.
