走向环境意识的跌倒风险评估:使用IMU基础的步态数据和深度学习对行走表面状况进行分类
相关实验视频
Updated: Jul 12, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.7K
1Department of Electrical and Electronics Engineering, Dicle University, Diyarbakır 21280, Turkey.
Brain sciences
|October 28, 2023
概括
这项研究引入了一个卷积神经网络模型,使用可穿戴传感器来识别行走表面的条件. 这项技术通过考虑环境因素来提高准确性,从而提高了跌倒风险评估.
科学领域:
- 生物医学工程 生物医学工程
- 机器学习 机器学习
- 老年学是一门学科.
背景情况:
- 跌倒风险评估 (FRA) 对于预防个人跌倒至关重要.
- 可穿戴惯性测量单元 (IMU) 允许自由生活的FRA,但缺乏环境背景.
- 通过提高FRA的环境意识,可以加强预防策略.
研究的目的:
- 开发和分析一个卷积神经网络 (CNN) 模型,以使用IMU步态数据对行走表面条件进行分类.
- 为环境意识的落风险评估 (FRA) 系统提供基础.
- 调查步态信号,传感器位置和细分尺寸对分类性能的影响.
主要方法:
- 一个25层的CNN模型被训练在30名参与者在9个不同的表面上行走的IMU数据上.
- 数据包括来自六个IMU传感器的加速度,磁场和转速信号.
- 系统分析评估了传感器类型,位置和数据段大小的影响.
主要成果:
- 美国有线电视新闻网 (CNN) 模型在分类行走表面条件方面取得了很高的准确性.
- 精度达到0.935与单个传感器和0.969与双传感器.
- 最佳设置产生了0.971的峰值精度,证明了强大的性能.
结论:
- 开发的CNN模型有效地使用IMU步态数据对行走面进行分类.
- 这种方法可以创建更可靠和可解释的环境意识的FRA方法.
- 研究结果支持通过纳入环境背景来推进个性化的防摔策略.
