Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

Updated: Jan 15, 2026

Design and Analysis for Fall Detection System Simplification
08:05

Design and Analysis for Fall Detection System Simplification

Published on: April 6, 2020

11.1K

LiteFallNet:一种轻量级的深度学习模型,用于高效的实时落检测.

Emmanuel Owusu1,2, Isaac Acquah1,2, Michael Asiedu Asare1,2

  • 1Biomedical Engineering Program, Department of Computer Engineering, Kwame Nkrumah University of Science and Technology, Kumasi, Ghana.

Digital health
|October 14, 2025
PubMed
概括
此摘要是机器生成的。

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Evaluation of medical device calibration knowledge, perceived importance, and implementation support among healthcare professionals in Ghana.

Health informatics journal·2026
Same author

Resilient Sinkhorn-Based Optimal Transport Late Fusion Framework for Breast Cancer Diagnosis.

Cancer informatics·2026
Same author

Confidence in Medical Device Calibration Knowledge and Skills Among Healthcare Professionals in Ghana: A Cross-Sectional Analysis.

Health services insights·2025
Same author

Rational design of alternative natural-based coupling media for diagnostic ultrasound imaging: a review.

Biomedical physics & engineering express·2025
Same author

A hybrid long short-term memory-convolutional neural network multi-stream deep learning model with Convolutional Block Attention Module incorporated for monkeypox detection.

Science progress·2025

LiteFallNet是一个新的深度学习模型,用于使用惯性传感器准确的实时落检测. 这种轻量级,可解释的系统优先考虑各种应用程序的隐私和效率.

科学领域:

  • 生物医学工程 生物医学工程
  • 人工智能的人工智能
  • 传感器技术 传感器技术

背景情况:

  • 当前的摔倒检测系统经常面临着高计算需求,延迟和隐私方面的挑战.
  • 需要有效,准确和可解释的落检测模型,适合实时应用.

研究的目的:

  • 推出LiteFallNet,一个轻量级和可解释的深度学习模型,用于实时落检测.
  • 通过专注于计算效率和隐私保护来解决现有系统的局限性.

主要方法:

  • LiteFallNet集成了GRU,TCN,深度可分离卷积和SE块,用于从惯性传感器数据中提取时间特征.
  • 该模型使用三轴加速度计,陀螺仪和磁力计信号.
  • 使用1D Grad-CAM和LIME.实现了可解释性.

主要成果:

  • 在FallAllD数据集上实现了高性能:97.81%的准确性,98.55%的回忆,97.88%的F1评分和99.33%的AUC.
  • 证明了效率,模型大小为0.312 MB,推断时间为7.07 ms.
  • 该模型的性能适用于资源有限的环境.

结论:

关键词:
落检测 落检测 落检测深度学习是一种深度学习.轻量级的轻量级的轻量级的轻量级的模型可解释性模型可解释性维护隐私 - 维护隐私

相关实验视频

Last Updated: Jan 15, 2026

Design and Analysis for Fall Detection System Simplification
08:05

Design and Analysis for Fall Detection System Simplification

Published on: April 6, 2020

11.1K
  • LiteFallNet提供了一个保护隐私的实时落检测解决方案.
  • 它的精度,透明度和轻量级设计是智能家居,老年护理和可穿戴健康技术的理想选择.