Onderzoekers hebben aangetoond dat multimodale grote taalmodellen (LLM's) in staat zijn om vallen van ouderen te detecteren aan de hand van beelden van thermische camera's. Deze methode biedt een privacyvriendelijk alternatief voor traditionele bewakingscamera's omdat er geen gezichten worden vastgelegd.
In een recent gepubliceerd onderzoek, dat op 21 oktober 2026 verscheen op het platform arxiv.org, is de effectiviteit van het AI-model Gemini 3.8 Flash getest voor het screenen van vallen. De onderzoekers, Marcos en Mauro Junca van Senecta Inc., richtten zich specifiek op beelden met een lage resolutie, wat cruciaal is voor het waarborgen van de anonimiteit van bewoners in een thuisomgeving.
Testresultaten in laboratorium en thuisomgeving
Het onderzoek maakte gebruik van een publieke dataset met thermische beelden van 32x24 pixels. Hierbij werden 438 gesimuleerde vallen en 563 situaties zonder vallen geanalyseerd. Volgens de publicatie op slaagde Gemini 3.8 Flash erin om 69% van de vallen bij een onafhankelijke testgroep correct te identificeren. Opvallend is dat het model geen enkel vals alarm gaf bij 499 scenario's waarin mensen op de grond lagen of juist opstonden.
Naast de laboratoriumdata werd het systeem getest in een bewoonde kamer met een hogere resolutie van 160x120 pixels, inclusief geluidsopnamen. Gedurende meer dan 76 uur aan normale dagelijkse activiteiten rapporteerde het model geen enkel vals alarm. In deze setting werden 4 van de 9 zichtbare gesimuleerde vallen correct gedetecteerd.
De invloed van instructies (prompting)
Een belangrijk onderdeel van het onderzoek was de invloed van de instructies die aan het AI-model werden gegeven. De onderzoekers merkten dat een specifieke waarschuwing in de prompt — waarin stond dat iemand die uit beeld verdwijnt niet als een val moet worden geteld — leidde tot meer gemiste detecties.
Wanneer deze zin werd verwijderd, steeg de gevoeligheid van het model aanzienlijk. Voor Gemini 3.8 Flash steeg het detectiepercentage van 69% naar 83% in de laboratoriumsetting. Bij het oudere model, Gemini 3.7 Flash, steeg dit percentage van 80% naar 92%. In de thuisomgeving werden door het weglaten van deze instructie alle 9 zichtbare vallen gedetecteerd, hoewel dit ten koste ging van de precisie, aangezien opzettelijk gaan liggen dan wel als een val werd aangemerkt.
Vergelijking met traditionele detectoren
Het onderzoek trekt een scherpe conclusie wanneer de LLM-benadering wordt vergeleken met conventionele valdetectoren. Hoewel traditionele systemen bijna elke val in de laboratoriumomgeving konden vinden, bleken ze in een echte thuisomgeving onbruikbaar door een te hoog aantal foutieve meldingen. De conventionele detectoren genereerden respectievelijk 14,2 en 23,9 valse alarmen per dag, terwijl het Gemini-model vrijwel geen foutieve meldingen gaf tijdens normale activiteiten.
Technische beperkingen en nauwkeurigheid
Ondanks de positieve resultaten zijn er grenzen aan de technologie. De gevoeligheid van het model stortte in tot 34% wanneer de resolutie werd verlaagd naar slechts 8x6 pixels. Wel bleek het model zeer accuraat in het timen van de gebeurtenis; in 99% van de gevallen waarbij een val werd gemeld, plaatste de uitleg van het model de landing binnen één seconde van het daadwerkelijke moment.
Hoewel dit specifieke onderzoek is gepubliceerd via , is de bredere context van technologische innovaties in België ook zichtbaar in andere sectoren. Zo promoot de belgianeconomicmission.be diverse Belgische bedrijven in sectoren zoals ICT en audiovisuele technologie, die potentieel kunnen profiteren van dergelijke AI-toepassingen in de zorg.
Andere bronnen zoals uliege.be, ac.be, vliz.be, fgov.be en ictus.be bevatten in dit specifieke dossier geen aanvullende tekstuele informatie over de resultaten van het Gemini-onderzoek.