相关实验视频
Updated: May 20, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.6K
可解释的罗神经网络用于检测社区中高跌倒风险的老年人,基于步态分析
Christos Kokkotis1, Kyriakos Apostolidis1, Dimitrios Menychtas1
1Department of Physical Education and Sport Science, Democritus University of Thrace, 69100 Komotini, Greece.
Journal of functional morphology and kinesiology
|March 26, 2025
概括
这项研究引入了一种新的方法,使用深度学习对步态分析视觉图像进行准确的老年人跌倒风险预测. 这种方法提高了预测准确性和可解释性,旨在降低医疗保健成本并提高高级独立性.
科学领域:
- 老年学是一门学科.
- 生物医学工程 生物医学工程
- 计算机科学 计算机科学
背景情况:
- 老年人的跌倒是一个主要的公共卫生问题,导致伤害,增加医疗保健费用和降低生活质量.
- 目前的跌倒风险评估缺乏明确的指标,需要改善及时干预的预测能力.
- 准确预测跌倒风险对于实施预防策略和保持老年人群的独立性至关重要.
研究的目的:
- 开发一种使用生物机械步行数据进行跌倒风险评估的新方法.
- 为了将时间序列的步行数据转化为深度学习 (DL) 应用的视觉表示.
- 提高跌倒风险预测模型的准确性和可解释性.
主要方法:
- 利用卷积神经网络 (CNN) 和族神经网络 (SNN) 进行强大的预测建模.
- 将生物力学时间序列的步态数据转化为视觉表示.
- 使用Grad-CAM生成类歧视激活地图以提高模型可解释性.
主要成果:
- 使用随机森林 (RF) 机器学习 (ML) 模型,在降落风险预测中获得了83.29%的准确性.
- 成功地提取了与步态相关的独特特征,以改善预测.
- 通过可视化技术证明了预测模型的增强可解释性.
结论:
- 先进的计算工具和机器学习算法显示了对跌倒风险预测的巨大潜力.
- 拟议的方法可以帮助减少与老年人跌倒相关的医疗负担.
- 改进的跌倒风险评估可以促进老年人群中更大的独立性和福祉.
