用于跌倒检测的人体骨架关节动力学建模

人口老龄化步伐的加快呼唤更好的护理和支持系统。跌倒是老年人频繁且关键的问题，会导致严重的长期健康问题。由于隐私问题，从视频流中进行跌倒检测在实际应用中不是一个理想的选择。现有方法试图通过使用极低分辨率相机或视频加密来解决此问题。然而，此类方法无法完全确保隐私。身体上的关键点（如骨架关节）可以传达关于运动动力学和连续姿态变化的重要信息，这对于跌倒检测至关重要。骨架关节已被用于特征提取，但所用的图像识别模型忽略了跨帧的关节依赖关系，而这对于动作分类很重要。此外，现有模型过度参数化，或在活动类别极少的小型数据集上进行评估。我们提出了一种高效的图卷积网络模型，该模型利用人体骨架关节的时空联合依赖关系和动力学进行准确的跌倒检测。我们的方法利用了骨架关节具有鲁棒并发时空特性的动态表示。我们在三个大规模数据集上进行了广泛的实验。与大多数现有方法相比，在模型尺寸显著更小的情况下，我们提出的方法在大规模 NTU 数据集上取得了 SOTA 结果。