相关实验视频
Updated: Jan 17, 2026
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
11.1K
实时活动和跌倒检测使用基于变压器的深度学习模型用于老年护理应用程序
Raja Omman Zafar1, Farhan Zafar2
1Dalarna University-Campus Borlange, Borlänge, Sweden roz@du.se.
BMJ health & care informatics
|September 18, 2025
概括
一个新的基于变压器的深度学习模型在实时活动识别和跌倒检测中实现了超过98%的准确性. 这种先进的系统的性能优于传统模型,为老年护理和防摔应用提供了更高的可靠性.
科学领域:
- 人工智能的人工智能
- 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:
- 现有的活动识别和摔倒检测方法在准确性和实时性能方面扎.
- 穿戴式传感器数据分析对于监控日常生活活动和检测跌倒至关重要.
研究的目的:
- 开发基于变压器的深度学习模型,用于准确和实时的活动识别和落检测.
- 解决当前系统在准确性和实时适用性方面的局限性.
主要方法:
- 使用具有自我注意机制的变压器编码器通过滑动窗口分割来处理可穿戴传感器数据 (加速计,陀螺仪,定向).
- 在广泛的MobiAct数据集上训练和评估模型,包括来自66名参与者的超过1400万条记录,涉及16项活动,包括各种落类型.
主要成果:
- 达到了超过98%的准确性,具有极好的精度和复杂的降落类别的回忆,如向前倾斜和向侧倾斜.
- 与卷积神经网络-长期短期记忆 (CNN-LSTM) 和时间卷积网络相比,在分类指标和训练稳定性方面表现出卓越的性能.
结论:
- 变压器模型有效地捕捉复杂的时间依赖性,减轻错误分类和错误阳性在活动识别和跌落检测.
- 开发的基于变压器的系统提供了高效的实时部署和可靠的解决方案,用于老年人护理和预防跌倒.
