相关实验视频
Updated: Jul 13, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.7K
根据走路异常检测预测跌倒:对手腕穿戴的三轴和基于手机的加速计传感器进行比较研究
Primož Kocuvan1, Aleksander Hrastič2, Andrea Kareska3
1Department of Intelligent Systems, Jožef Stefan Institute, 1000 Ljubljana, Slovenia.
Sensors (Basel, Switzerland)
|October 14, 2023
概括
可穿戴的腕带有效地使用加速度计和机器学习来检测老年人跌倒的风险,在步态分析和跌倒预防方面的精度优于智能手机.
科学领域:
- 生物医学工程 生物医学工程
- 老年学是一门学科.
- 机器学习 机器学习
背景情况:
- 老年人摔倒存在重大健康风险,需要采取积极的预防摔倒策略.
- 早期发现步态恶化的情况,可以作为即将发生的跌倒的关键指标.
- 可穿戴式传感器技术提供了持续监控和及时警报的潜力.
研究的目的:
- 为了比较一个手机系统和两个腕带系统 (一个商业,一个小说) 在检测跌倒指示步态变化的有效性.
- 通过使用不同可穿戴设备的加速度计数据,评估机器学习技术对步态分析的性能.
- 评估可穿戴传感器在老年人群中早期发现和减轻跌倒的潜力.
主要方法:
- 一个涉及智能手机,商用腕带和新型腕带的比较分析,每个腕带都有三轴加速度计.
- 使用参与者佩戴的专用眼镜诱导跌倒暗示的行走模式.
- 应用标准机器学习技术,包括支持矢量机 (SVM),用于所有系统的步态分类.
- 使用无监督和半监督的学习方法,如主要组件分析 (PCA) 和t分布式静态邻居嵌入 (t-SNE).
主要成果:
- 使用SVM的新型腕带实现了最高的性能,最佳平均精度为86%,特异性为88%,灵敏度为86%.
- 智能手机系统通过SVM实现了最佳平均准确率73%的最佳平均准确率.
- 统计分析显示,新手腕带和智能手机之间的性能存在显著差异 (p值<0.000).
- 与智能手机相比,这两种手腕带系统在检测跌倒指标的走路异常方面表现出更好的表现.
结论:
- 配备加速度计的可穿戴腕带是早期检测和减轻老年人跌倒的有效工具.
- 与智能手机相比,这款新型腕带系统在识别跌倒风险的步态方面表现出更高的准确性和灵敏性.
- 这项研究强调了整合可穿戴技术和机器学习的潜力,以提高老年人的安全性和预防跌倒.
