相关实验视频
Updated: Jan 15, 2026
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
概括
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:
- 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.