通过基于智能手机传感器数据的格拉米安角场CNN检测影响老年成年行人环境障碍
1Department of Architectural Engineering, Dankook University, Yongin, Republic of Korea.
Frontiers in public health
|November 21, 2025
概括
这项研究使用智能手机传感器和深度学习来检测老年人的环境行走危险. 新的GAF-CNN方法准确地识别障碍,改善城市可行性和安全性.
科学领域:
- 老年学是一门学科.
- 计算机科学 计算机科学
- 城市规划 城市规划
背景情况:
- 识别环境行走风险对于老年人安全至关重要.
- 传统的可行性评估是耗时的,可能会错过危险.
- 现有的可穿戴传感器方法缺乏个体灵敏度或依赖聚合数据.
研究的目的:
- 利用智能手机IMU数据开发一种用于检测环境步行障碍的新型框架.
- 用轻量级的卷积神经网络 (CNN) 来分类由常见的城市障碍物引起的步态障碍.
- 为了增强老年人的个性化可行性评估.
主要方法:
- 收集了20名老年人的IMU数据,他们沿着已知障碍的城市路线行走.
- 将分割的IMU时间序列数据转换为格拉米安角场 (GAF) 图像.
- 使用轻量级的CNN进行GAF图像分类,并进行离开一个主题的交叉验证.
主要成果:
- 该GAF-CNN模型实现了90.8%的准确性,显著超过了基线方法 (75-85%的准确性).
- 在障碍物检测方面记录了高灵敏度 (93.0%) 和特异性 (88.1%).
- 空间绘图证实了对环境异常的准确识别.
结论:
- 基于图像的深度学习为实时,个性化检测步行障碍提供了实用的解决方案.
- 这种方法为数据驱动的可行性增强提供了一个可扩展的工具.
- 研究结果支持将这项技术纳入适合老年人的城市设计.


