加速度计采样率对可穿戴式落检测系统中机器和深度学习模型性能的影响

科学领域:

• 生物医学工程 生物医学工程
• 老年学是一门学科.
• 计算机科学 计算机科学

背景情况:

• 人口老龄化增加了跌倒的普遍性,需要先进的自动跌倒检测系统 (FDS).
• 穿戴式惯性传感器和加速度计一样,在远程监控和远程护理中有效用于连续监控.
• 采样频率对可穿戴式FDS性能的影响需要进一步调查.

研究的目的:

• 为了确定可穿戴式降落探测系统 (FDS) 的最佳采样频率.
• 为了平衡FDS算法的准确性,稳定性和计算效率.
• 为设计可持续的,长期的基于物联网的监控解决方案提供经验数据.

主要方法:

• 在SisFall数据集上训练和评估了5个算法 (CNN-LSTM,CNN,LSTM-BN,k-NN,SVM) 在10,20,50和100赫兹的频率上.
• 通过使用FARSEEING和Free From Falls数据集进行多阶段验证,再加上七天的现实监测测试.
• 根据准确性,灵敏性,特异性和稳定性评估模型性能.

主要成果:

• 深度学习模型 (CNN-LSTM,CNN,LSTM-BN) 的表现优于传统的分类器 (k-NN,SVM).
• 在20 Hz的CNN-LSTM模型实现了最高的精度 (98.9%),灵敏度 (96.7%) 和特异性 (99.6%).
• 中间频率 (10-20 Hz) 提供足够的数据来检测落,同时减少计算负载和能源消耗.

结论:

• 20 Hz的采样速率为可穿戴式FDS性能和效率提供了最佳的平衡.
• 中间采样频率适合在没有过多数据的情况下捕获落动态.
• 这些发现支持开发更自主,更强大,更可持续的可穿戴FDS用于物联网环境.