基于GCN-LSTM多任务学习的老年人落检测,使用与多阵列灵活触觉传感器集成的护理辅助器件

科学领域:

• 生物医学工程 生物医学工程
• 老年学是一门学科.
• 传感器技术 传感器技术

背景情况:

• 老年人跌倒对健康构成重大风险,需要有效的检测方法.
• 目前的摔倒检测系统通常依赖于昂贵和复杂的视觉或多传感器设备.
• 由于成本和设计复杂性,现有方法的适用性有限.

研究的目的:

• 为老年人开发一种具有成本效益和广泛适用的跌倒检测方法.
• 提出一种使用护理辅助工具,集成多阵列灵活触觉传感器的摔倒检测系统.
• 为了利用足部力分析和触觉数据进行准确的摔倒检测.

主要方法:

• 设计和实施多阵列电容触摸传感器.
• 根据脚部力分析,传感器在脚上的分布.
• 使用图形卷积神经网络 (GCN) 和长期短期记忆 (LSTM) 网络 (GCN-LSTM) 开发掉落检测模型.
• 使用GCN和LSTM模块从触觉序列中提取空间和时间特征.

主要成果:

• 对于预测的触觉数据,实现了0.0716的平均平方误差 (MSE).
• 展示了96.36%的跌落检测准确度.
• 成功执行未来的跌倒检测到5个时间步骤 (0.2秒间隔) 的高可靠性.
• 在不同的地形类型和形态学中展示了强大的概括能力.

结论:

• 拟议的GCN-LSTM模型有效地使用护理辅助器的触觉数据检测掉落.
• 这种基于触觉传感器的方法为现有的落检测系统提供了一个有希望,准确和强大的替代方案.
• 该方法显示出在老年护理中广泛采用的潜力,因为它的成本效益和设计简单.