利用可穿戴心电图和加速度传感器实现跌倒检测的智能应用
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
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
基于嵌入式传感器的跌倒检测是近年来的一个实际且流行的研究方向,本文构建了一个完整的系统 TSFallDetect,利用时间序列数据提出了一个新的基于深度学习模型的跌倒预测方法,通过实证研究表明该深度学习模型在跌倒检测领域具有更多的潜在优势。
Feb, 2024
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
该论文提出了一种利用手机内置的加速度计传感器数据来识别用户身份的方法,通过建立一个随机森林分类模型,从步行数据样本中提取时间和频率信息特征。实验结果表明,该模型具有 0.9679 的准确率和 0.9822 的曲线下面积(AUC),可为智能手机提供一种低成本、高效的用户身份认证方法。
Nov, 2017
本研究设计了一个个性化健康诊断系统,包括一个可穿戴式心电图设备、移动应用程序和后端服务器,可以对用户的心电信息进行持续监测,以提供个性化的健康警告 / 反馈,通过远程诊断和干预等方式支持与健康顾问的沟通。在此系统中,提出了一种利用心电信号准周期特征的有损信号压缩方法,设计并训练了一个基于 ResNet 的 AF 诊断器,该诊断器在测试中取得了较好的效果,F1 得分最高可达 87.31%。
Jul, 2022
通过开发创新的多平台系统,实现基于人工智能的心电图解读解决方案的快速部署,并通过迅速的部署将人工智能的发现转化为对可穿戴式及便携式心电图设备的临床影响。
Oct, 2023
该研究提出了一种创新方法来解决老年人跌倒事件的紧迫问题,通过开发一种准确的跌倒检测系统。我们的系统结合了最先进的技术,包括加速度计和陀螺仪传感器,以及深度学习模型,特别是长短期记忆网络。通过树莓派硬件的集成实现了实时执行能力。我们引入了修剪技术,通过策略性地调整 LSTM 模型的架构和参数来优化系统性能。我们优先考虑召回率而不是精确度,旨在准确识别跌倒事件并最小化误报,以便及时干预。大量实验和细致评估表明了出色的性能指标,强调高召回率和 96% 的特异性。我们的研究取得了一种处于最前沿的跌倒检测系统,能够及时发送通知,确保脆弱个体得到及时帮助并改善其整体健康状况。应用 LSTM 模型并加入修剪技术代表了跌倒检测技术的重大进展,提供了一种有效可靠的跌倒预防和干预解决方案。
Sep, 2023