Apr, 2023

基于粗 - 细卷积神经网络和 GRU 网络集成模型的深度学习跌倒检测算法

PDF
TL;DR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。
发现论文，激发创造
  • 基于召回的精确优化：利用 LSTM 揭示准确的摔倒检测

    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

  • 一项向深度卷积网络如何识别跌倒行为的实证研究

    通过系统的经验研究，本文探讨了基于深度卷积网络的跌倒识别过程及其效果，并提出了几个有助于提高跌倒检测系统性能的因素。

    Dec, 2018

  • CareFall：基于可穿戴设备和 AI 方法的自动跌倒检测

    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

  • 使用深度时空卷积自编码器进行非侵入式跌倒检测

    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

  • 应用可穿戴传感器测量的步态周期数据进行帕金森病早期检测的综合深度学习框架：CNN-GRU-GNN 方法

    我们提出了一种深度学习模型，利用步态周期数据集实现对帕金森病的二分类早期检测，通过使用 1D - 卷积神经网络（CNN）、门控循环单元（GRU）和图神经网络（GNN）层，协同地捕捉数据中的时序动态和空间关系，从而实现了非凡的性能表现，准确率、精确率、召回率和 F1 得分分别为 99.51%、99.57%、99.71% 和 99.64%。

    Apr, 2024

  • 使用轻量级姿势估计技术的实时人体跌倒检测

    使用姿势估计提出了一种轻量级快速的人体摔倒检测系统，可以在低计算设备上实时工作，对于老年人的医疗护理系统非常重要。

    Jan, 2024

  • 基于物理传感器的深度学习摔倒检测系统

    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

  • 基于深度学习的计算机视觉活动识别和老年人跌倒检测：系统性综述

    通过对深度学习在视觉数据上应用的研究文献的系统回顾，本研究讨论了关于独居老人安全的两个主要任务 —— 摔倒检测和人体活动识别，以及相关数据集和硬件设备的使用情况，并对现有方法的优势和劣势进行了讨论，提出了未来工作的建议。

    Jan, 2024

  • 人体跌倒检测 - 多模态方法

    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

  • 基于深度学习的基于视觉的人体跌倒检测系统综述

    本综述文章讨论了基于深度学习和计算机视觉的非侵入式（基于视觉）人类跌倒检测技术，包括对跌倒检测基准数据集的调查和对不同评估指标的讨论，同时提出了基于视觉的人类跌倒检测技术未来的研究方向。

    Jul, 2022