相关实验视频
Updated: Jul 28, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.7K
四个机器学习算法的比较,用于撞击前落检测系统
Duojin Wang1,2, Zixuan Li3
1Institute of Rehabilitation Engineering and Technology, University of Shanghai for Science and Technology, 516 Jungong Road, Shanghai, 200093, China. duojin.wang@usst.edu.cn.
Medical & biological engineering & computing
|May 31, 2023
概括
这项研究使用智能鞋开发了一种低成本的摔倒检测系统. 该系统在撞击前准确地识别掉落,提供关键的干预时间以防止伤害.
科学领域:
- 生物医学工程 生物医学工程
- 可穿戴技术可穿戴技术
- 机器学习用于医疗保健
背景情况:
- 通过可穿戴传感器实时监测健康是一个重要的研究领域.
- 跌倒检测系统对于预防伤害至关重要,尤其是在弱势群体中.
- 现有的系统往往缺乏效率,负担能力或影响前检测能力.
研究的目的:
- 开发和评估一个高效,低成本的落检测系统.
- 为了比较四个机器学习算法的性能,用于撞击前落检测.
- 评估系统在落发生之前提供及时干预的潜力.
主要方法:
- 使用装有惯性和脚部压力传感器的鞋子设计了一个跌倒检测系统.
- 四个机器学习算法 (K-Nearest Neighbors,支持矢量机,随机森林和BP神经网络) 被实现并进行了比较.
- 包括灵敏度,特异性和准确性在内的性能指标被用于评估预冲击检测算法.
主要成果:
- 与SVM和随机森林相比,K-最接近邻居 (KNN) 和BP神经网络算法表现出优异的性能.
- 在KNN的研究中,KNN获得了98.8%的灵敏度,99.8%的特异性和99.7%的准确性.
- BP神经网络实现了100%的灵敏度,99.8%的特异性和99.9%的准确性,这两种算法均为撞击前检测提供了460.95毫秒的领先时间.
结论:
- 开发的基于鞋子的系统为实时摔倒检测提供了有效和负担得起的解决方案.
- KNN和BP神经网络算法非常适合在撞击前发现落,从而能够及时干预.
- 当与保护装置相结合时,该系统有可能显著减少与跌倒有关的伤害.
