- 视觉上下文感知的人体跌倒检测
评估视觉背景对跌倒检测分类器准确性的影响,并通过生成高斯模糊来改善模型性能和泛化能力。
- 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。
- 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。
- 使用多传感器数据的机器学习和特征排序进行冲击跌倒事件检测
利用多传感器数据进行高效的跌倒事件识别,通过预处理技术、特征选择和机器学习模型评估,提高了跌倒检测系统的准确性和效率,进而提升了高危人群的安全和福祉。
- 环境无关的互动多模型毫米波跌倒检测
在未来的智能家居中,我们提出了一种名为 FADE(FAll Detection)的实用摔倒检测雷达系统,该系统具有增强的准确度和稳健性,并通过互动多模型(IMM)状态估计器提取环境无关特征,以高度准确和即时地进行摔倒检测。在真实环境中的实验 - 时序位移 —— 用于改进异常摔倒检测的多目标损失函数
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 - 辅助生活环境中传感器位置优化的灰箱贝叶斯优化
基于灰盒贝叶斯优化和仿真评估,我们提出了一种新颖的、样本高效的方法,在任意室内空间中找到高质量的传感器布置,用于可靠的跌倒检测、室内定位和活动识别。通过捕捉关于活动空间分布的专业知识,并将其纳入到贝叶斯优化的迭代选择查询点过程中,考虑了两个 - 基于深度无监督 RGB2Depth 适应的隐私支持下的跌倒检测
我们提出了一种隐私保护的解决方案,通过在训练过程中利用标记的 RGB 数据和未标记的深度数据,实现了跨模态的跌倒检测。我们的方法在无监督的 RGB 到深度领域适应任务中取得了最先进的结果。
- 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。
- BlockTheFall:基于可穿戴设备、机器学习和区块链的老年人护理跌倒检测框架
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。
- 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 - 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。
- 基于人体骨骼数据的两阶段坠落事件分类
本研究利用人体骨架数据进行跌倒事件的多类别分类,其中采用了深度神经网络模型,并对提出的方法进行了实验验证。
- 一种简单且经济的设计用于现实世界中的环境辅助生活系统的跌倒检测和室内定位的开发:概念验证
提出了一种成本 - effective、简化的环境辅助生活系统设计范例,该系统可以在现实世界中同时捕捉用户 ADL 行为的多模态组件,以实现在 ADL 过程中的跌倒检测和室内定位。通过与其他研究的比较,证明了该系统的有效性、创新性和成本优势 - 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% - 基于音视频技术的居家辅助生活解决方案现状
本文介绍了以音频和视频数据为基础的最成功的 AAL 应用程序和功能的现状,包括自我记录和自我监测、远程监测生命体征、情感状态识别、饮食摄入监测、行为识别、活动和个人援助、手势识别、跌倒检测与预防、以及认知和运动康复,该文强调了这些应用领域中 - 在神经形态摔倒检测和动作识别数据集上评估传统视觉模型
提出针对神经形态感知相机的人体动作识别和跌倒检测数据集,使用先进视觉模型 Fine-tuned 的方法,各模型准确度分别为:DVS-MViT(0.958),DVS-C2D(0.916),DVS-R2+1D(0.875)和 DVS-SlowF - SSHFD: 带有关节遮挡容忍性的单镜头人倒地检测
本文提出了单图像人体坠落检测器 (SSFD),通过人体姿势感知、3D 姿势估计和坠落识别实现对于老年人及时的坠落检测和预警,从而提高其在家中的安全性。实验结果表明,该深度学习模型具有较强的泛化性能和准确率。
- CVPR基于压缩感知的跌倒检测隐私保护
本文提出了一种基于 3D Inception 模块的 3D ConvNet 框架用于跌倒检测,该框架采用压缩感知框架获取视频顺序的压缩测量结果作为空时输入,以解决由 RGB 相机监测患者隐私带来的隐私问题,并且在 Kinetics-400 - ECCV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。