GAD：一种具有在线自适应学习的实时步态异常检测系统

步态异常检测是一项涉及检测个人正常步态模式偏差的任务。这些偏差可以指示医疗保健领域的健康问题和医疗状况，或安全领域的欺诈性冒充和未经授权的身份访问。已经引入了许多步态异常检测方法，但其中许多需要离线数据预处理、离线模型学习、设置参数等，这可能限制它们在现实场景中的有效性和适用性。为了解决这些问题，本文介绍了GAD，一种实时步态异常检测系统。GAD专注于基于降维和长短期记忆（LSTM）检测个体三维加速度计读数中的异常。启动后，GAD开始从用户收集一个步态段，并训练一个异常检测器来即时学习用户的行走模式。如果随后的模型验证成功（即使用用户后续步态验证训练好的检测器），则根据用户请求，该检测器用于识别用户后续步态读数中的异常。异常检测器将在线保留以适应微小的模式变化，并在无法提供足够预测时重新训练。我们探索了两种捕获用户步态段的方法：一种针对每个人步长定制的个性化方法，以及一种使用固定步长的统一方法。使用开源步态数据集的实验结果表明，GAD与个性化方法结合时实现了更高的检测准确率。