Integrating Vision-Language Models and Multimodal Retrieval for Real-Time Emergency Response in Healthcare

2025

Жабық қол жеткізу Метадеректер (CSL-JSON)
DOI 10.1109/ictai66417.2025.00177
Деректер сенімділігі 70 орташа
Бұл баға қалай есептеледі

Ол жазбаның өзінің тексерілетін белгілерінен құралады: мақаланың DOI-і бар ма, оның деректерін қанша тәуелсіз дереккөз растады, міндетті өрістер толтырылған ба және соңғы растау қаншалықты жаңа. Дереккөздер арасындағы алшақтық пен идентификатордың болмауы бағаны төмендетеді. 80-нен бастап мән жазбаның қосымша тексерусіз жарияланғанын, 60-тан 79-ға дейін — оның сенімділігі төмен күйде жарияланғанын және қолмен тексеру ұсынылатынын білдіреді. Редактор қолмен тексерген жазбаны қайта есептеу 90-нан төмен түсірмейді. Бұл — мақаланың өзіне емес, ол туралы деректерімізге берілген баға.

Аңдатпа

Injuries and sudden health crises at home demand rapid medical response. We present a lightweight framework that integrates the PrismerZ vision-language model with a key-frame selection algorithm and a multimodal retrieval system to recognize emergencies from video data. The approach combines image captioning and visual question answering with efficient storage and search of embeddings to support healthcare professionals. Evaluated on the Kinetics benchmark (86.5 % image captioning accuracy, 92.5 % visual question answering accuracy) and on a self-collected dataset of emergency scenarios (85.8 % image captioning accuracy, 87.5 % visual question answering accuracy), the system operated within seconds on an embedded edge device. By uniting anomaly detection and multimedia retrieval, the framework extends human activity recognition toward actionable emergency detection in home environments.