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
TinyFallNet:一个轻量级的撞击前摔倒检测模型
Bummo Koo1, Xiaoqun Yu2, Seunghee Lee1
1Department of Biomedical Engineering, Yonsei University, Wonju 26493, Republic of Korea.
Sensors (Basel, Switzerland)
|October 28, 2023
概括
这项研究开发了TinyFallNet,这是一款轻量级的深度学习模型,用于使用惯性测量单位 (IMU) 进行撞击前落检测. 它提供高精度和减少内存使用,对于可穿戴式安全气囊应用至关重要.
科学领域:
- 老年学是一门学科.
- 计算机科学 计算机科学
- 生物医学工程 生物医学工程
背景情况:
- 跌倒对老年人来说是一个主要的健康风险,需要有效的检测方法.
- 现有的深度学习落检测模型需要优化,以便在微计算机单元 (MCU) 上部署.
- 可穿戴式安全气囊系统需要高效的撞击前摔倒检测算法.
研究的目的:
- 开发一种轻量级的深度学习模型,用于使用惯性测量单元 (IMU) 数据进行撞击前落检测.
- 为了对最先进的ConvLSTM模型进行基准测试,并探索轻量化替代品.
- 验证拟议模型在老年人跌倒数据和日常生活活动上的表现.
主要方法:
- 利用VGGNet和ResNet图像分类模型的功能创建一个轻量级的深度学习模型.
- 使用KFall公共数据集与来自年轻受试者的IMU数据开发和评估模型.
- 基于ResNet提出的TinyFallNet,优化了内存效率,同时保持了准确性.
- 使用FARSEEING数据集中的老年人跌倒数据和KFall ADLs数据验证了算法.
主要成果:
- TinyFallNet实现了97.37%的准确性,略低于ConvLSTM的98.00%,但需要显著更少的内存 (0.70 MB vs 1.58 MB).
- 证明了图像分类模型的成功应用,用于基于IMU的撞击前落检测.
- 证实了通过数据类型特定调整进一步减轻深度学习模型的潜力.
结论:
- TinyFallNet提供了一种可行的,内存高效的解决方案,用于适合MCU的撞击前落检测.
- 这项研究强调了图像分类架构的适应性,用于IMU数据处理的降落检测.
- 这项研究为基于IMU的应用程序的轻量级深度学习模型做出了贡献,包括可穿戴安全设备.
