相关实验视频
Updated: Jul 11, 2026
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
11.1K
在智能物联网环境中为残疾人提供以循环神经网络为基础的跌倒活动识别系统的视觉转换器
Abdulrahman Alzahrani1,2, Asmaa Mansour Alghamdi3
1Department of Computer Science and Engineering, College of Computer Science and Engineering, University of Hafr Al Batin, Hafar Al-Batin, Saudi Arabia. aalzahrani@uhb.edu.sa.
Scientific reports
|September 26, 2025
概括
这项研究引入了一种新的AI系统,用于老年人和残疾人的摔倒检测. 视觉转换器和自我注意机制与循环神经网络基于跌倒活动识别系统 (VTSAMRNN-FARS) 实现了99.67%的准确性,显著提高了安全性.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器人技术 机器人技术 机器人技术
背景情况:
- 布对自主,健康和生命构成重大风险,尤其对老年人和残疾人来说.
- 可靠的摔倒检测对于医疗保健和机器人技术来说至关重要,以减轻伤害和不良影响.
- 深度学习 (DL) 和计算机视觉已经提升了跌倒检测的准确性,克服了传统方法的局限性.
研究的目的:
- 增强智能物联网环境中残疾人的跌倒检测和分类.
- 引入一种新的视觉转换器和自我注意力机制,并配备循环神经网络基础的跌倒活动识别系统 (VTSAMRNN-FARS).
- 提高跌落识别系统的准确性和效率.
主要方法:
- 使用双边过 (BF) 模型进行图像预处理以减少噪声.
- 通过视觉变压器 (ViT) 模型进行特征提取,以实现高效的数据表示.
- 使用具有自我注意机制 (BiGRU-SAM) 模型的双向封闭循环单元来检测和分类落活动.
- 使用增强的wombat优化算法 (EWOA) 的BiGRU-SAM模型的超参数优化.
主要成果:
- VTSAMRNN-FARS方法在摔倒检测和分类方面表现出很高的表现.
- 模拟分析使用UR_Fall_Dataset_Subset进行.
- 该VTSAMRNN-FARS方法实现了99.67%的效率,超过了现有的落检测模型.
结论:
- VTSAMRNN-FARS系统在防摔检测技术方面取得了重大进展.
- 拟议的方法显示了在弱势群体的智能物联网环境中应用的巨大潜力.
- ViT,BiGRU-SAM和EWOA的集成提供了一个强大而准确的跌倒识别解决方案.
