通过基于深度学习的双模运动和用晚期融合的姿势感应来检测落

科学领域:

• 老年学是指老年学的学科.
• 计算机科学 计算机科学
• 生物医学工程 生物医学工程

背景情况:

• 检测老年人跌倒是非常重要的,但具有挑战性.
• 单传感器系统 (IMU,视觉) 在恶劣条件下往往具有高假阳性和低准确性.
• 现有的方法难以在不同的光线下进行实时监控,包括夜间.

研究的目的:

• 开发和评估一种新的双模深度学习传感框架,用于强大的老年人落检测.
• 与单一模式系统相比,提高准确性和减少误报.
• 确保在各种照明条件下可靠的实时落检测.

主要方法:

• 一个双式深度学习框架,集成基于内存的自动编码器用于惯性数据和基于注意力的网络用于视觉数据.
• 在决策层面的晚期核聚变战略,将传感器信息结合起来.
• 使用模拟跌倒和日常活动的定制数据集进行实验评估,这些数据集是用腰部安装的IMU和RGB摄像头在昏暗的照明下捕捉的.

主要成果:

• 双模式晚期融合系统实现了高F1得分的97.3%.
• 与仅使用IMU (11.3%) 和仅使用视觉 (8.9%) 系统相比,虚假阳性率 (3.6%) 显著降低.
• 在模拟下降检测中在昏暗的照明条件下表现出强大的性能.

结论:

• 拟议的双模传感框架为老年人摔倒检测提供了强大而准确的解决方案.
• 该系统的有效性被验证为实时应用,即使在低光和夜间场景.
• 通过深度学习将惯性和视觉数据结合起来,显著优于单模式方法.