相关实验视频
Updated: Aug 3, 2026
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.6K
提高滑落,脚和跌倒的预防:用先进的机器学习技术进行现实世界近跌探测
Moritz Schneider1, Kevin Seeser-Reich1, Armin Fiedler2
1Institute for Occupational Safety and Health of the German Social Accident Insurance (IFA), 53757 Sankt Augustin, Germany.
Sensors (Basel, Switzerland)
|March 17, 2025
概括
滑倒,倒和跌倒 (STFs) 是一个主要的工作场所危险. 这项研究使用了真实世界的数据和机器学习来改进近跌探测,增强工作场所安全系统.
科学领域:
- 职业安全与健康问题 职业安全与健康问题
- 生物医学工程 生物医学工程
- 医疗保健中的机器学习
背景情况:
- 滑倒,倒和跌倒 (STFs) 是造成工作场所伤害和财务损失的重要原因.
- 现有的跌倒检测方法通常依赖于模拟跌倒,限制了现实世界的适用性.
- 需要先进的算法,可以使用生态有效的数据准确地检测近距离落.
研究的目的:
- 系统地评估机器学习架构,以使用现实世界的动力学数据来检测接近下降的情况.
- 提高在体力苛刻的工作环境下,跌落检测算法的准确性和稳定性.
- 评估不同神经网络模型的有效性,以分类接近跌倒事件.
主要方法:
- 利用了Pre-Fall数据集,其中包含来自110名工人经历了接近跌倒事件的高分辨率惯性测量单元 (IMU) 数据.
- 训练并评估了卷积神经网络 (CNN),残余网络 (ResNets),卷积长期短期记忆网络 (convLSTM) 和初始时间模型.
- 采用神经架构搜索来优化跨不同时间窗口长度的模型,以进行近跌探测.
主要成果:
- 获得了高的F1分数,证明了CNN和InceptionTime模型在近落分类中的有效性.
- 在对未观察到的数据进行测试时确定了反复出现的错误阳性,特别是在曲和坐等活动中.
- 强调需要结合额外的上下文变量来增强算法的稳定性.
结论:
- 基于机器学习的STF预防系统显示出对工作场所安全监测和降落缓解的前景.
- 该研究的结果支持使用动力学数据和先进的ML模型来改进降落检测.
- 未来的研究应侧重于多式联运数据集成和增强的分类技术,以提高准确性和通用性.
