Ensembled Penalized Federated Learning 框架用于跌倒人 Detection
机器学习
2025-10-27 v1
摘要
老年人和残障人士的跌倒仍是全球伤害和死亡的主要原因，迫切需要稳健、准确且注重隐私的跌倒检测系统。传统的跌倒检测方法，无论是集中式还是基于点的，往往难以应对有限的可扩展性、数据隐私问题以及个体运动行为的差异性。为此，我们提出了 EPFL-an Ensembled Penalized Federated Learning 框架，集成了持续学习、个性化建模和一种新颖的 Specialized Weighted Aggregation（SWA）策略。EPFL 利用可穿戴传感器数据捕获序列运动模式，同时通过同态加密和联邦训练保护用户隐私。与现有联邦模型不同，EPFL 包含了对局部训练的惩罚化和基于 ensemble 的推断，以提高跨客户端一致性并适应行为差异。大量在跌倒检测基准数据集上的实验表明，我们的方法有效，召回率达 88.31%，F1 分数达 89.94%，显著优于集中式和基线模型。该工作为医疗保健领域的实用跌倒检测提供了可扩展、安全且准确的解决方案，其自适应反馈机制具有持续改进的强大潜力。
关键词
引用
@article{arxiv.2510.20960,
title = {An Ensembled Penalized Federated Learning Framework for Falling People Detection},
author = {Sizhe Rao and Runqiu Zhang and Sajal Saha and Liang Chen},
journal= {arXiv preprint arXiv:2510.20960},
year = {2025}
}
备注
12 pages, 3 figures