基于深度学习的低分辨率加速度计信号增强用于跌倒检测系统
信号处理
2021-09-28 v2 机器学习
摘要
在过去二十年中，跌倒检测（FD）系统已发展为一种流行的辅助技术。此类系统自动检测关键跌倒事件并立即警报医疗专业人员或照护者。为支持长期 FD 服务，已实施多种节能策略。其中，降低采样率是现实世界中节能系统的常用方法。然而，由于低分辨率（LR）加速度计信号，FD 系统的性能下降。为提升 LR 加速度计信号的检测精度，必须考虑若干技术挑战，包括错位、有效特征不匹配以及退化效应。本工作中，提出一种基于深度学习的加速度计信号增强（ASE）模型，以改善 LR-FD 系统的检测性能。该模型通过学习 LR 与 HR 信号间的关系，从 LR 信号重建高分辨率（HR）信号。结果显示，使用支持向量机且采用所提 ASE 模型的 FD 系统在极低采样率（采样率 < 2 Hz）下于 SisFall 与 FallAllD 数据集上分别取得 97.34% 与 90.52% 的准确率，而无 ASE 模型者在该两数据集上分别仅取得 95.92% 与 87.47% 的准确率。本研究表明 ASE 模型有助于 FD 系统应对 LR 信号的技术挑战并取得更佳检测性能。
引用
@article{arxiv.2012.03426,
title = {Deep Learning Based Signal Enhancement of Low-Resolution Accelerometer for Fall Detection Systems},
author = {Kai-Chun Liu and Kuo-Hsuan Hung and Chia-Yeh Hsieh and Hsiang-Yun Huang and Chia-Tai Chan and Yu Tsao},
journal= {arXiv preprint arXiv:2012.03426},
year = {2021}
}
备注
Accepted by IEEE Transactions on Cognitive and Developmental Systems, 12 pages, 7 figures, 8 tables