相关实验视频
Updated: Jun 28, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.7K
基于边缘计算的人工智能可穿戴设备的开发,用于老年人的跌倒检测和预防
Paramasivam A1, Ferlin Deva Shahila D2, Jenath M3
1Department of Biomedical Engineering, Vel Tech Rangarajan Dr. Sagunthala R&D Institute of Science and Technology, Chennai, 600062, India.
Heliyon
|April 17, 2024
概括
这项研究开发了一种人工智能可穿戴设备,用于检测和预防老年人跌倒,这是一个主要的健康风险. 具有注意层的CNN-LSTM模型实现了97%的准确性,显著提高了老年人的安全和生活质量.
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:
- 老年人跌倒对全球健康构成重大威胁,每年造成数百万伤亡.
- 跌倒会导致老年人的严重的身体和心理长期健康后果.
- 目前的研究强调需要先进的跌倒检测和预防技术.
研究的目的:
- 设计和开发一种基于边缘计算的人工智能 (AI) 可穿戴设备,用于老年人跌倒检测和预防.
- 评估和比较各种深度学习模型对老年人活动识别的性能.
- 确定最佳的深度学习模型和边缘计算硬件,以实时检测落.
主要方法:
- 利用深度学习算法,包括卷积神经网络 (CNN),循环神经网络 (RNN),长期短期记忆 (LSTM) 和门式循环单元 (GRU).
- 实现了像CNN-LSTM,RNN-LSTM和GRU-LSTM这样的混合模型,有或没有注意层,用于增强活动识别.
- 在边缘计算设备上测试了性能:NVIDIA Jetson Nano,Raspberry Pi 3和Raspberry Pi 4,评估计算时间.
主要成果:
- 带有注意层的CNN-LSTM模型表现出卓越的性能,达到97%的准确性,98%的回忆,98%的精度和0.98的F1-Score.
- 与Raspberry Pi 3和4相比,NVIDIA Jetson Nano的计算时间较短,这表明边缘处理效率较高.
- 开发的可穿戴设备有效监控老年人的活动,并高精度地检测掉落.
结论:
- 这种人工智能驱动的可穿戴设备,特别是用CNN-LSTM专心使用,为预防老年人落提供了一个有前途的解决方案.
- 在像Jetson Nano这样的设备上实现边缘计算,可以实现高效的实时落检测.
- 这项技术具有高度的社会意义,旨在改善老年人群的安全和生活质量.
