相关实验视频
Updated: May 7, 2026
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.6K
在智能家居中使用多个雷达和机器学习分类器进行自动摔倒检测
Swarubini P J1, Tomohiko Igasaki2, Nagarajan Ganapathy1
1Department of Biomedical Engineering, Indian Institute of Technology, Hyderabad, Hyderabad, India.
Studies in health technology and informatics
|April 9, 2025
概括
雷达传感器和机器学习有效地检测老年人的跌倒. 这项研究分类了从静止和站立活动中摔倒的情况,显示了智能家居安全应用的有希望的结果.
科学领域:
- 老年学是一门学科.
- 生物医学工程 生物医学工程
- 信号处理 信号处理
背景情况:
- 布对老年人来说是一个严重的健康风险.
- 雷达传感技术正在成为落检测系统的可行方法.
研究的目的:
- 使用多个雷达传感器和机器学习 (ML) 分类器来分类落检测.
- 评估不同ML模型在区分老年人从特定活动序列中落的有效性.
主要方法:
- 利用公开可用的数据集 (N=15) 进行了两种落序列:从静止位置下降 (FandS) 和站立下降 (WandF).
- 计算范围时间 (RT),距离多普勒 (RD) 和多普勒时间 (DT) 地图从雷达信号.
- 提取了Shannon特征,并使用随机森林 (RF),支持向量机 (SVM) 和神经网络 (NN) 进行交叉验证来对它们进行分类.
主要成果:
- 提出的方法成功地歧视老年人.
- 对于FandS,RF,SVM和NN,它们的F1分数分别为55.48%,53.33%和61.27%.
- 对于WandF,F1得分达到80.01% (RF),76.42% (SVM) 和47.10% (NN),相应的卡帕系数为0.55,0.44和-0.14对于RF和SVM.
结论:
- 开发的框架显示了智能家居环境中精确落检测的潜力.
- 多雷达传感与ML分类器相结合,为老年人落监测提供了一个有前途的解决方案.
- 进一步的研究可能会完善这些方法,以提高可靠性和更广泛的应用.
