相关实验视频
Updated: Jan 11, 2026
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
11.1K
通过混合BiLSTM BiGRU增增注意力模型和BAOA驱动的特征选择系统优化掉落检测.
Mithun Singh Ahirwar1, Vaibhav Soni2
1Department of Computer Science and Engineering, Maulana Azad National Institute of Technology Bhopal, Bhopal, 462003, Madhya Pradesh, India. mithunvns@gmail.com.
Scientific reports
|November 10, 2025
概括
这项研究引入了一种使用混合深度学习模型 (BiLSTM-BiGRU) 的新型落检测系统,具有注意力和优化的特征选择. 该系统实现了高精度,为老年人防摔提供了可靠的解决方案.
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
背景情况:
- 人口老龄化正在增长,老年人中跌倒相关伤害的发生率在增加.
- 准确可靠的摔倒检测系统对于及时干预和护理至关重要.
- 现有的深度学习方法用于摔倒检测,在捕获复杂的时间数据方面面临挑战.
研究的目的:
- 提出一种结合双向长期短期记忆 (BiLSTM) 和双向门式反复单元 (BiGRU) 网络的新型摔倒检测方法.
- 使用二进制算术优化算法 (BAOA) 增强混合模型的增强性注意力机制和优化特征选择.
- 评估拟议模型在多个可穿戴传感器数据集上的有效性,以实时检测落.
主要方法:
- 使用混合深度学习架构:双向长期短期记忆 (BiLSTM) 和双向门式循环单元 (BiGRU).
- 整合了一个附加的注意力机制,以关注相关的时间特征.
- 采用二进制算术优化算法 (BAOA) 进行优化功能选择.
- 在使用可穿戴传感器对SisFall,UMAFall和UP-Fall数据集进行模型评估.
主要成果:
- 拟议的混合BiLSTM-BiGRU-添加注意力模型与BAOA驱动特征选择实现了高精度.
- 在SisFall数据集上实现了99.50%的准确性.
- 在UMAFall数据集上实现了99.85%的准确性.
- 在UP-Fall数据集上实现了99.68%的准确性.
- 与传统的深度学习架构和非优化模型相比,表现出卓越的性能.
结论:
- 开发的摔倒检测系统显著优于现有方法.
- 混合模型有效地捕捉了对于准确的跌落检测至关重要的时间依赖.
- 拟议的系统适用于实时摔倒检测应用,提高老年人的安全性.
