基于粗-细CNN与GRU网络集成模型的深度学习跌倒检测算法
机器学习
2023-04-14 v1 信号处理
摘要
跌倒是全球老年人的公共卫生问题，因为跌倒所致损伤关联大量医疗成本。跌倒可造成严重伤害，若老年人经历“长时间躺地”甚至导致死亡。因此，需要可靠的跌倒检测(FD)系统以提供急救紧急报警。由于可穿戴设备技术与人工智能的进步，一些跌倒检测系统已利用机器学习和深度学习方法分析加速度计与陀螺仪采集的信号而开发。为取得更好跌倒检测性能，本研究提出一种结合粗-细卷积神经网络与门控循环单元的集成模型。该模型采用的并行结构设计恢复了不同粒度的空间特征并捕获时间依赖以进行特征表示。本研究应用FallAllD公开数据集验证所提模型的可靠性，其取得召回率、精确率与F值分别为92.54%、96.13%与94.26%。结果证明了所提集成模型在区分跌倒与日常活动上的可靠性及其相较SOTA卷积神经网络长短期记忆(CNN-LSTM)用于FD的优越性能。
引用
@article{arxiv.2304.06335,
title = {Deep Learning-based Fall Detection Algorithm Using Ensemble Model of Coarse-fine CNN and GRU Networks},
author = {Chien-Pin Liu and Ju-Hsuan Li and En-Ping Chu and Chia-Yeh Hsieh and Kai-Chun Liu and Chia-Tai Chan and Yu Tsao},
journal= {arXiv preprint arXiv:2304.06335},
year = {2023}
}