人类在室内和室外环境中识别下降方向,使用RBnet深度架构和树种优化优化多重自我注意力

科学领域:

• 老年学是一门学科.
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 布对老年人构成重大健康风险,随着全球人口增长而增加.
• 有效的跌倒检测对于及时的医疗干预和支持老年人独立生活至关重要.
• 现有的安全监控系统需要改进,以提高准确性和效率.

研究的目的:

• 为人类跌落方向识别提出一种新的深度学习架构.
• 开发和评估先进的残留阻断和自我注意机制,用于防摔检测.
• 使用树种子算法优化特征选择和分类性能.

主要方法:

• 开发了四个新的残余区块深卷积神经网络 (RBNet) 自我注意模型 (3-RBNet,5-RBNet,7-RBNet,9-RBNet).
• 在训练模型在增强图像后,从自我注意层中提取了深层特征.
• 应用树种子算法来优化7-RBNet和9-RBNet模型的特性,以改善分类和降低计算成本.

主要成果:

• 7-RBNet和9-RBNet自我注意模型表现出卓越的准确性和精确性.
• 拟议的方法,利用树种子算法在7-RBNet和9-RBNet特征上,在人类下降数据集上实现了93.2%和92.5%的最大精度.
• 与最近的跌倒检测技术相比,这种方法显示出更好的准确性和精度.

结论:

• 新的深度学习架构和优化算法有效地识别了人类的跌落方向.
• 7-RBNet和9-RBNet自我注意模型,通过树种子算法进行优化,为老年人摔倒检测提供了高度准确和精确的解决方案.
• 这项研究有助于加强对老年人的安全监测,特别是那些独立生活的人.