相关实验视频
Updated: May 12, 2026
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.7K
提高跌倒风险评估:在散步期间通过深度学习对视觉进行仪器化
Jason Moore1, Robert Catena2, Lisa Fournier2
1Department of Computer and Information Sciences, Northumbria University, Newcastle, NE1 8ST, UK.
Journal of neuroengineering and rehabilitation
|June 22, 2024
概括
这项研究介绍了VARFA,这是一种深度学习算法,自动分析视频数据,以评估步行时的视觉注意力. 这种客观方法通过提供关键的行为和上下文数据来增强跌倒风险评估.
科学领域:
- 生物力学和运动科学 生物力学和运动科学
- 计算机视觉和机器学习
- 临床评估和康复治疗
背景情况:
- 跌倒是一个重要的临床问题,目前的风险评估严重依赖于对步态的主观视觉观察.
- 对于跌倒风险至关重要的微妙步行缺陷,通常会被传统的观察方法忽略.
- 像惯性测量单位 (IMU) 这样的客观措施捕捉了步态特征,但缺乏环境和行为背景.
研究的目的:
- 开发一种自动化方法来分析步行过程中的视觉注意力和环境相互作用,以改进跌倒风险评估.
- 用客观的视觉和行为数据来补充现有的步态分析技术 (例如IMU).
- 为了解决手动视频分析的局限性,手动视频分析耗时且主观.
主要方法:
- 开发一种基于深度学习的对象检测算法,名为VARFA (视觉和实时跌倒风险评估).
- 培训VARFA使用基于实验室的新型数据集和YoloV8模型来识别环境对象和障碍.
- 实施基于U-NET的模型,用于准确细分步行路径.
主要成果:
- 在识别和定位静态物体方面,VARFA实现了高精度 (0.93 mAP50),平均精度为93%.
- 路径细分模型表现出强的性能,IOU为0.82,表明与实际步行路径的精确对齐.
- 这两种模型都在实时运行,突出了它们在实际应用中的效率.
结论:
- 自动视觉仪器方法显著提高了跌倒风险评估的效率和准确性.
- VARFA提供了关于视觉注意力和环境背景的客观数据,补充了基于IMU的步态分析.
- 这项技术有可能在临床人群中提供个性化康复策略,这些人群有高跌倒风险.
