长期短期记忆和变压器模型的实验研究,用于智能手表上的落检测

科学领域:

• 可穿戴技术是可穿戴技术.
• 人工智能的人工智能是人工智能.
• 生物医学工程 生物医学工程

背景情况:

• 跌倒是全球受伤死亡的主要原因.
• 现有的智能手表上的人工智能驱动的可穿戴式摔倒检测系统在实时准确性方面扎,错过摔倒并产生虚假阳性.
• 之前的研究探讨了长期短期记忆 (LSTM) 模型用于跌倒检测,在线下测试中显示出希望,但并不总是转化为实时性能.

研究的目的:

• 为了比较长短期内存 (LSTM) 和变压器模型的性能,用于智能手表的实时落检测.
• 评估不同LSTM和变压器模型变体在学习跌倒模式中的有效性.
• 通过使用商品智能手表,确定实用实时落检测应用的最佳模型.

主要方法:

• 研究和实验了三种LSTM变体和两种变体的变压器模型.
• 训练所有模型使用来自三个不同的数据集的跌落和活动数据.
• 使用智能手表上的SmartFall应用程序对训练模型进行实时测试.

主要成果:

• 在离线培训中,卷积神经网络-LSTM (CNN-LSTM) 模型在所有数据集中表现出优异的性能,与变压器模型相比.
• 尽管离线性能不佳,但实时测试显示在将LSTM模型准确性转化为实际应用方面存在局限性.
• 变压器模型显示了因其通过自我注意力学习长序列数据的能力而具有有效的实时落检测的潜力.

结论:

• 虽然CNN-LSTM模型在线下降检测分析方面表现出色,但变压器模型是智能手表实时部署的更合适选择.
• 变压器模型中的自我注意机制有助于捕捉复杂的,长期的模式,这对于准确的实时落检测至关重要.
• 基于变压器的系统的进一步开发可以显著提高可穿戴式摔倒检测技术的可靠性和实用性.