相关实验视频
Updated: Jul 9, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.7K
SFDA:域调整与源主体融合基于多源和单个目标的落风险评估
概括
本研究引入了主体融合域适应 (SFDA),以使用脚部压力数据改善不同个体的跌倒风险分类. SFDA增强了模型的概括性,以更好地评估现实世界的跌倒风险.
科学领域:
- 生物力学 生物力学
- 机器学习 机器学习
- 老年学是一门学科.
背景情况:
- 使用脚部压力数据进行跨主体跌倒风险分类,由于个体变异性而面临挑战,限制了模型概括性.
- 现有的域调整方法主要解决源-目标域分布差距,往往忽视多个源主题内的相关性.
研究的目的:
- 提出一种新的方法,即主体融合域适应 (SFDA),以提高跨主体落风险评估能力.
- 通过有效利用来自多个来源主题的数据来提高跌倒风险分类模型的概括能力.
主要方法:
- SFDA采用域对抗模块,同时执行源-目标调整,并将来自多个源主题的信息合并.
- 这种方法减少了源-目标分布差距以及同一类受试者内的源内分布距离.
主要成果:
- 在跨学科分类设置中,SFDA使用两个不同的骨干实现了79.17%和73.66%的平均准确率.
- 拟议的方法在连续脚部压力数据集上优于现有的最先进的技术.
结论:
- 主体融合域适应 (SFDA) 通过增强模型概括性,有效地改善了跨主体落风险评估.
- SFDA提供了一个有前途的工具,用于开发强大的,少数步行和跨主题的落风险评估系统.
