相关实验视频
Updated: Jun 17, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.6K
一个有效的深度学习框架用于防摔检测:模型开发和研究设计
Jinxi Zhang1,2, Zhen Li3, Yu Liu4
1Beijing Kupei Sports Culture Corporation Limited, Beijing, China.
Journal of medical Internet research
|August 5, 2024
概括
一个新的深度学习模型,双流卷积神经网络自我注意 (DSCS) 模型,使用可穿戴传感器准确地检测掉落. 这种先进的跌倒检测系统有效地区分掉落和日常活动,提高健康安全.
科学领域:
- 可穿戴式传感器技术的技术.
- 人类运动分析分析
- 医疗保健中的人工智能
背景情况:
- 跌倒检测系统 (FDS) 对于健康监测至关重要.
- 现有的FDS经常忽视可变数据段贡献,影响准确性.
- 深度学习 (DL) 通过分析复杂的运动模式,提供了通过分析复杂的运动模式来改进摔倒检测的潜力.
研究的目的:
- 开发和验证DL框架,使用可穿戴传感器数据进行准确的摔倒检测.
- 识别必要的特征,以区分跌倒和日常活动.
- 通过创建加权特征表示来增强FDS,以便更好地区分掉落事件.
主要方法:
- 提出了一种使用三轴加速和陀螺仪数据的双流卷积神经网络自我注意 (DSCS) 模型.
- 整合了一个自我注意模块,以加重特征贡献并改善分类.
- 在公共数据集 (SisFall,MobiFall) 上训练并测试了DSCS模型,并与10名参与者进行了实践验证.
主要成果:
- 在公共数据集上实现了高准确性:99.32% (SisFall) 和99.65% (MobiFall).
- 在MobiFall上展示了卓越的性能,实现了最佳的准确性,回忆力和精度.
- 展示了96.41%的强大的实际验证准确性.
结论:
- DSCS模型显著提高了落检测的准确性.
- 该模型在现实场景中展示了强大的性能.
- 这项研究为基于可穿戴设备的摔倒检测系统提供了有前途的进展.
