基于召回的精确优化：利用 LSTM 揭示准确的摔倒检测

Sep, 2023

基于召回的精确优化：利用 LSTM 揭示准确的摔倒检测

Recall-driven Precision Refinement: Unveiling Accurate Fall Detection using LSTM

Rishabh Mondal, Prasun Ghosal

TL;DR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。

Abstract

This paper presents an innovative approach to address the pressing concern of fall incidents among the elderly by developing an accurate fall detection system. Our proposed system combines state-of-the-art techno

fall incidents fall detection system elderly deep learning models lstm networks

发现论文，激发创造

基于知识蒸馏的长短期记忆的离线嵌入式低功耗设备的跌倒检测

本文提出了一种经济有效、低功耗的无意跌倒检测方法，利用基于知识蒸馏的 LSTM (长时记忆) 模型显著提高准确性。通过对来自各种传感器的时间序列数据的分析，该解决方案提供实时检测能力，确保及时可靠地识别跌倒情况。作者研究了基于不同传感器的跌倒检测模型，比较它们的准确率和性能。此外，他们采用知识蒸馏技术，提高模型的精度，从而得到消耗更低功耗的精细准确配置。因此，该解决方案为未来在这一关键领域中开发节能的跌倒检测系统提供了引人注目的途径。

Aug, 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

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

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 LSTM 神经网络和多项式回归的实时物体定位预测

该研究报告详细介绍了基于惯性测量和全球定位系统数据的长短期记忆 (LSTM) 神经网络和多项式回归的对象位置坐标的预测与插值系统的设计和实现。通过对真实世界车辆和全球定位系统传感器的数据处理，我们的 LSTM 系统在实时低延迟和高精度中展现了较传统的卡尔曼滤波方法更低的平均误差和类似的推断时间。

Nov, 2023

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

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

基于长短期记忆模型的多元工业时间序列防篡改检测仿真

基于 LSTM 神经网络的多元时间序列数据监测和故障检测，采用 Modelica 模型进行验证，引入阈值筛选机制并过滤超出操作者兴趣范围的故障。

Dec, 2016

基于 LSTM 的 GRACE 加速度计数据预测模型

该研究提出了一种填补数据空缺和预测 GRACE 加速度计数据的方法，使用了 Long Short-Term Memory（LSTM）网络来训练一个能够预测三个轴加速度计数据的模型，并通过实验证明了该 LSTM 预测模型在填补数据空缺和预测 GRACE 加速度计数据方面的有效性。

Aug, 2023

使用带有注意机制的 LSTM 进行人类轨迹预测

我们提出了一种人类轨迹预测模型，该模型将长短期记忆（LSTM）网络与注意力机制相结合。通过使用注意力分数确定模型在进行预测时应专注于输入数据的哪些部分，我们可以提取出注意力分数并将其整合到轨迹预测模块中，以预测人类未来轨迹。我们的模型在拥挤空间中的行人未来轨迹预测中表现出比社交 LSTM 算法更好的性能。

Sep, 2023

软硬件注意力：一种 LSTM 框架用于人类轨迹预测和异常事件检测

通过建立深度学习基础的行人运动预测模型，利用 “软性注意力” 和 “硬性注意力” 相结合的方式，成功实现了不需要手工特征处理的异常事件检测，从而在两个公开数据库中取得了比同类研究更优秀的结果。

Feb, 2017