超低功率,可穿戴,加快的浅层学习摔倒检测器,适用于高危老年人

科学领域:

• 可穿戴技术是可穿戴技术.
• 生物医学工程 生物医学工程
• 机器学习用于医疗保健

背景情况:

• 意外跌倒对老年人来说是一个很大的风险,因为他们的身体能力下降了.
• 现有的落检测方法可能缺乏准确性或实时预测能力.
• 对处于风险的人群而言,需要不引人注目的,低功率和可靠的摔倒检测系统.

研究的目的:

• 开发和制造一个无线的,可穿戴的,低功率的落检测传感器 (FDS).
• 预测和检测高风险老年人的跌倒.
• 通过及时准确地检测摔倒,增强老年人的安全和福祉.

主要方法:

• 使用低功耗现场可编程门阵列 (FPGA) 来实现固定功能神经网络.
• 采用了使用Caffe深度学习框架进行训练的卷积神经网络 (CNN) 模型.
• 集成了一个ST微电子LSM6DSOX惯性测量单元 (IMU) 传感器与一个超低功耗的Lattice iCE40UP FPGA.
• 收集并发布了一组3D加速度计和陀螺仪测量的数据集,这些数据来自执行日常生活活动 (ADL) 和跌倒的人类受试者.

主要成果:

• 开发了一种功能性的无线,可穿戴,低功耗的落检测传感器.
• 展示了FPGA上的CNN模型在活动分类,包括跌落检测方面的能力.
• 获取并发布了一套新的数据集,用于摔倒检测研究.
• 在用于超低功耗FPGA部署的机器学习模型上成功加速卷积操作.

结论:

• 开发的FDS为提高老年人的安全提供了一个有希望的解决方案.
• 在FPGA上集成CNN可实现高效,低功率的落检测.
• 发表的数据集将促进该领域的进一步研究和开发.
• 这种创新方法有助于为有风险的人群制定积极的防摔策略.