[pt] Esta pesquisa analisa a possível alusão a Gn 3,7 (LXX) na expressão abriram-se os seus olhos, utilizada por Lucas em Lc 24,31, no episódio dos discípulos de Emaús. A partir dessa referência, o texto lucano desponta como um epílogo ao relato da queda original: no Éden os olhos de Adão e Eva se abriram de modo impróprio, e por sua desobediência constataram sua nudez; em Emaús, ao contrário, os olhos dos discípulos se abriram da maneira certa, e reconheceram o Senhor ressuscitado. Destaca-se a semelhança entre o estado de desânimo dos primeiros pais, ao fim do relato da queda, e dos discípulos de Emaús no início do episódio. Ressalta-se também a importância da iniciativa dos discípulos de convidar Jesus a permanecer, não apenas pela hospitalidade, mas a fim de desfazer a esquiva dos primeiros pais, que se esconderam de Deus em razão de seu pecado. Por fim, a referida aproximação reforça a teoria de que a companhia de Cléofas fosse sua própria esposa, formando um casal. / [en] This research seeks to analyze the possible allusion to Gen 3,7 (LXX) in the expression their eyes were opened, used by Luke in Lk 24,31, in the episode of the disciples of Emmaus. Based on this reference, the Lucan text emerges as an epilogue to the account of the original fall: in Eden the eyes of Adam and Eve were improperly opened, and due to their disobedience they found their nakedness; in Emmaus, on the contrary, the disciples eyes were opened in the right way, and they recognized the risen Lord. The similarity between the state of dismay of the first parents, at the end of the account of the fall, and that of the disciples of Emmaus at the beginning of the episode stands out. The importance of the disciples initiative to invite Jesus to stay is also highlighted, not only for hospitality, but in order to undo the dodge of the first parents, who hid from God because of their sin. Finally, the aforementioned approximation reinforces the theory that Clophas company was his own wife, forming a couple.

No description available.

No description available.

No description available.

No description available.

No description available.

No description available.

No description available.

Avalanches kill on average 250 people per year. Fall detection algorithms have been used to detect many different types of falls. In this work, a robust humanoid test rigwas designed and built to investigate the use of proven threshold based fall detection algorithms during skiing. A novel burial detection algorithm is used, to detect whether or not a person has been buried by snow, as this is often lethal. Data acquisition were conducted in the Swedish mountains, as well as computer simulations to further strengthen the results. This thesis shows that an IMU, in conjunction with force sensors around the chest and shoulders are sufficient to detect a fall and burial by snow. The algorithms achieve excellent results based on measurement data gathered by thetest rig. Tests were made to check the algorithm for a person gathering data. This showed that additional evaluation is needed to be applicable to live people, since skiing by the test rig is not completely representative of human skiing. / Laviner dödar i genomsnitt 250 människor per år. Fallavkänningsalgoritmer har använts för att upptäcka många olika typer av fall. I detta arbete har en robust människoliknande testrigg designats och byggts för att undersöka användningen avbevisade gränsvärdebaserade fallavkänningsalgortimer under skidåkning. En ny begravningsavkänningsalgoritm används, för att avkänna om en person har blivit begraven av snö, då det är livshotande. Datainsamling gjordes i de svenska fjällen, samt datorsimuleringar för att vidare stärka resultaten. Denna avhandling visar att en IMU, tillsammans med kraftsensorer runt bröstet och axlar är tillräckligt för att avkänna ett fall och begravning i snö. Algoritmerna producerar förträffliga resultat av baserat på mätdata samlat avtestriggen. Tester gjordes för att granska algoritmen när en person samlar data. Det visade att ytterligare undersökning krävs för applicering på levande människor, då skidåkning av testriggen inte är helt representativt av mänsklig skidåkning.

The deep learning technique Human Pose Estimation (or Human Keypoint Detection) is a promising field in tracking a person and identifying its posture. As posture and balance are two closely related concepts, the use of human pose estimation could be applied to fall prevention. By deriving the location of a persons Center of Mass and thereafter its Center of Pressure, one can evaluate the balance of a person without the use of force plates or sensors and solely using cameras. In this study, a human pose estimation model together with a predefined human weight distribution model were used to extract the location of a persons Center of Pressure in real time. The proposed method utilized two different methods of acquiring depth information from the frames - stereoscopy through two RGB-cameras and with the use of one RGB-depth camera. The estimated location of the Center of Pressure were compared to the location of the same parameter extracted while using the force plate Wii Balance Board. As the proposed method were to operate in real-time and without the use of computational processor enhancement, the choice of human pose estimation model were aimed to maximize software input/output speed. Thus, three models were used - one smaller and faster model called Lightweight Pose Network, one larger and accurate model called High-Resolution Network and one model placing itself somewhere in between the two other models, namely Pose Residual Network. The proposed method showed promising results for a real-time method of acquiring balance parameters. Although the largest source of error were the acquisition of depth information from the cameras. The results also showed that using a smaller and faster human pose estimation model proved to be sufficient in relation to the larger more accurate models in real-time usage and without the use of computational processor enhancement. / Djupinlärningstekniken Kroppshållningsestimation är ett lovande medel gällande att följa en person och identifiera dess kroppshållning. Eftersom kroppshållning och balans är två närliggande koncept, kan användning av kroppshållningsestimation appliceras till fallprevention. Genom att härleda läget för en persons tyngdpunkt och därefter läget för dess tryckcentrum, kan utvärdering en persons balans genomföras utan att använda kraftplattor eller sensorer och att enbart använda kameror. I denna studie har en kroppshållningsestimationmodell tillsammans med en fördefinierad kroppsviktfördelning använts för att extrahera läget för en persons tryckcentrum i realtid. Den föreslagna metoden använder två olika metoder för att utvinna djupseende av bilderna från kameror - stereoskopi genom användning av två RGB-kameror eller genom användning av en RGB-djupseende kamera. Det estimerade läget av tryckcentrat jämfördes med läget av samma parameter utvunnet genom användning av tryckplattan Wii Balance Board. Eftersom den föreslagna metoden var ämnad att fungera i realtid och utan hjälp av en GPU, blev valet av kroppshållningsestimationsmodellen inriktat på att maximera mjukvaruhastighet. Därför användes tre olika modeller - en mindre och snabbare modell vid namn Lightweight Pose Network, en större och mer träffsäker modell vid namn High-Resolution Network och en model som placerar sig någonstans mitt emellan de två andra modellerna gällande snabbhet och träffsäkerhet vid namn Pose Resolution Network. Den föreslagna metoden visade lovande resultat för utvinning av balansparametrar i realtid, fastän den största felfaktorn visade sig vara djupseendetekniken. Resultaten visade att användning av en mindre och snabbare kroppshållningsestimationsmodellen påvisar att hålla måttet i jämförelse med större och mer träffsäkra modeller vid användning i realtid och utan användning av externa dataprocessorer.