数据增强方法的性能分析,以改进基于手腕的摔倒检测系统

科学领域:

• 老年学是指老年学的学科.
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 社会老龄化增加老年人下降的风险,导致严重的身体,心理和财务后果.
• 有效的跌倒检测系统对于及时发出警报和减轻跌倒相关伤害至关重要.
• 基于手腕的系统提供便利性,但由于复杂的手动模拟和数据限制,面临性能挑战.

研究的目的:

• 研究和比较各种数据增强技术,以改进基于深度学习的手腕式摔倒检测系统.
• 解决落检测数据集中阶级不平衡和数据稀缺的常见问题.
• 确定最有效的数据增强方法,以提高老年人跌倒检测的性能.

主要方法:

• 分析多种数据增强方法,应用于用于摔倒检测的手腕传感器数据.
• 在增强数据集上训练的深度学习模型的实施.
• 使用诸如F1分数等指标评估系统性能,特别是在训练数据有限的情况下.

主要成果:

• 条件扩散模型作为数据增强技术表现出卓越的性能.
• 当模型仅使用25%的原始数据进行训练时,F1得分提高了6.58%.
• 生成的合成数据保持了高质量,有效地补充了有限的真实世界数据.

结论:

• 条件扩散模型是基于手腕的摔倒检测系统中数据增强的高效方法.
• 这种方法显著提高了跌倒检测的准确性,特别是在处理稀缺数据时,这使得它成为老年人跌倒监测的理想选择.
• 高质量的合成数据生成可以克服数据的局限性,提高深度学习模型的可靠性,用于降落检测.