関連する実験動画
Updated: Sep 9, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.8K
AIで生成された落下データ:ウェアラブル落下検出のためのLLMと拡散モデルの評価
Sana Alamgeer1, Yasine Souissi2, Anne Ngu1
1Department of Computer Science, Texas State University, San Marcos, TX 78666, USA.
Sensors (Basel, Switzerland)
|August 28, 2025
まとめ
大型言語モデル (Large Language Model, LLM) は,転落検出システムを改善するために,合成転落データを生成することができます. LLMで生成されたデータは,特に低周波設定では有望ですが,データセットの特性によって有効性は異なります.
科学分野:
- 人工知能
- 生物医学工学
- データサイエンス
背景:
- 落下検出システムの訓練は,特に高齢者の落下データ不足によって妨げられています.
- 合成データ生成は,限られた現実世界のデータセットを拡張するための潜在的な解決策を提供します.
- リアルなデータシミュレーションのための高度なAIモデルの評価は,医療技術の改善に不可欠です.
研究 の 目的:
- 転倒検出システムのための合成転倒データ生成における大型言語モデル (LLM) の有効性を調査する.
- テキスト・トゥ・モーションとテキスト・トゥ・テキストLLMの性能を,合成データ生成のための拡散ベースの方法と比較する.
- 長期短期記憶 (LSTM) 墜落検出モデルの性能に対するLLM生成合成データの影響を評価する.
主な方法:
- 様々なLLM (GPT4o,GPT4,Gemini) とテキスト・トゥ・モーションモデル (SATO,ParCo) を用いて生成された合成落下データ.
- LSTMの落下検出モデルのトレーニングと評価のための,実世界のベースラインデータセットと統合された合成データセット.
- LLMで生成されたデータと拡散ベースの合成データを実際の加速計データ分布と比較した.
主要な成果:
- LLMで生成された合成データは,特に低周波設定 (20 Hz) で,落下検出性能を改善したが,高周波データセット (200 Hz) では不安定を示した.
- テキスト・トゥ・モーション・モデルは,テキスト・トゥ・テキスト・モデルよりも生体力学的に現実的なデータをもたらしたが,検出への影響は様々だった.
- 拡散ベースの合成データは実際のデータ分布と密接に一致したが,モデルのパフォーマンスを一貫して向上させなかった.
結論:
- 転落の検出のための合成データの有効性は,データセットの特性,センサーの配置,および転落の表現に依存しています.
- LLMは,リアルな生体力学的なシミュレーションの可能性を示すテキスト・トゥー・モーションモデルで,合成的な落下データを生成するための実行可能なアプローチを提供します.
- さまざまな状況で堅牢で信頼性の高い落下検出システムのための合成データ生成戦略を最適化するためにさらなる研究が必要です.
