提高多输入模型的跌落分类准确度,使用三轴加速度计和心率变化数据

科学领域:

• 生物医学工程 生物医学工程
• 老年学是一门学科.
• 人工智能的人工智能

背景情况:

• 衰老导致运动能力和肌肉强度下降,增加跌倒风险和潜在的伤害.
• 目前的摔倒检测方法通常依赖于单个数据源,限制了准确性.
• 持续监测老年人预防跌倒是一个重大挑战.

研究的目的:

• 开发和验证一个多输入深度学习模型,用于准确地检测老年人的跌倒和运动分类.
• 整合来自三轴加速度传感器和霍尔特心电图谱的数据,以增强降落检测.
• 为了利用心率变化 (HRV) 和巴罗反射特征来提高分类准确性.

主要方法:

• 实施了深度学习模型 (CNN-LSTM) 来分析加速传感器数据的运动模式.
• 利用广泛的学习模型来分析心率变化 (HRV) 数据,结合巴罗反射特征.
• 开发了一种多输入宽度和深度学习模型,将加速和HRV数据结合起来用于秋季分类.

主要成果:

• 与传统方法相比,多输入模型在降落分类中显著提高了准确性.
• 在15个不同的运动中实现了0.91的精度,回忆和F1得分,用于在15个不同的运动中检测掉落.
• 在摔倒和特定运动中观察到明显的HRV变化,例如从椅子上站起来,反映出巴罗反射活动.

结论:

• 拟议的多输入模型通过整合动态和心脏数据,有效地提高了老年人跌倒分类的准确性.
• 这种方法对开发更可靠的防摔系统充满希望.
• 这些发现突出了来自心电图和加速度计数据的巴罗反射特征在跌倒检测中的有用性.