利用通道集成自编码器从可穿戴设备检测未知跌倒
本文提出了一个新的框架 ——DeepFall,将跌倒检测问题转化为异常检测问题,并利用深度时空卷积自编码器从常规活动中学习空间和时间特征,通过复合窗口中帧的重构分数来检测未知跌倒,应用于三个公开数据集时显示出了超越传统自编码器方法的优越性。
Aug, 2018
老年人跌倒是全球范围内导致伤害和死亡的重要原因。准确的跌倒检测可以帮助减少潜在伤害和其他健康并发症。不同类型的视频模态可用于家庭环境中进行跌倒检测,包括 RGB、红外和热像仪。本文提出了一种名为时间位移的新的多目标损失函数,旨在在一系列连续帧的窗口内预测未来和重建的帧。该方法在包含多个相机模态的半自然状态下跌倒检测数据集上进行了评估。该方法对于多个模型都取得了显著的改进,具备在跌倒检测以外的其他环境中提高异常检测能力的潜力。
Nov, 2023
本研究提出了基于可穿戴设备和人工智能的自动跌倒检测系统 CareFall,并采用机器学习的方法,通过加速度计和陀螺仪等信息,提高跌倒检测的准确率,旨在为老年人提供智能、用户友好的解决方案来减轻跌倒的负面后果。
Jul, 2023
本文提出了一种基于粗细卷积神经网络和门控循环单元的集成模型,用于可靠地检测老年人的跌倒事件。该模型利用传感器采集的信号,结合人工智能技术进行分析,融合不同层次的空间特征和时序依赖关系进行特征表示,实验结果表明其在区分跌倒与日常活动方面的可靠性和性能优于现有的卷积神经网络和长短时记忆网络方法。
Apr, 2023
通过多模式方法,使用手腕加速度计数据和传感器与摄像头数据的融合来检测老年人跌倒,并对其进行二分类标记,使用 UP-FALL 检测数据集进行实验,结果表明使用多种传感器数据并未显著提高跌倒检测的性能。
Feb, 2023
本研究使用多个应用组件来研究坠落检测系统的开发挑战和选择,并提供未来研究材料。该系统使用加速度计和 ECG 传感器进行测试,并通过 ResNet152 模型在标准化和洗牌数据集上取得了最佳表现,实现了 92.8% 的 AUC,87.28% 的灵敏度和 98.33% 的特异度。
Jun, 2022
使用自动编码器从原始心跳音频中提取特征,探究在医疗保健中的异常检测应用。通过 1D 非因果卷积编码器和 WaveNet 解码器组成的自编码器进行特征学习,采用基于变分推理的修改目标及最大平均偏差(MMD)。此外,使用高斯链图模型对潜在分布进行建模以捕捉编码信号的时间相关性。在无监督方式下对自动编码器进行重新构建任务的训练后,通过训练 SVM 来预测异常,并在 PASCAL 分类心脏声音挑战提出的问题上进行评估,与文献中的结果进行比较。
Feb, 2021
该文章提出了一个基于可穿戴设备的坠落检测框架,采用机器学习算法分析传感器数据来实时检测坠落,并利用区块链技术存储和验证坠落事件数据,该框架旨在提供一种高效可靠的坠落检测方案,提高紧急响应和老年人的综合福祉。
Jun, 2023
通过零样本学习方法,本文提出了一种新的故障检测和状态监测方法,可以在没有故障样本的情况下,对工业系统进行可靠的故障检测与健康状况评估。通过使用变分自编码器捕捉先前观察到和未知条件的概率分布,在隐空间比较每个样本与正常操作的参考分布的偏差,建立健康指数的阈值,能够高准确度地检测严重的未知故障,从而提升工业领域的故障检测能力,增强安全性和优化维护实践。
Apr, 2024
本文提出一种基于一对多二分类、无监督特征学习和有监督分类的异常事件检测方法,使用基于物体中心的卷积自编码器编码运动和外观信息,并将训练样本聚类成正常性簇。在四个基准数据集上进行了实验,结果显示此方法超过现有技术的结果。
Dec, 2018