通过对比学习平衡数据以实现个性化跌倒检测
机器学习
2026-03-19 v1
摘要
个性化跌倒检测模型可以通过适应个体运动模式来显著提高准确率，但其效果往往受限于真实跌倒数据的稀缺以及非跌倒反馈样本的占主导地位。这种不平衡会偏向模型对常规活动的识别，削弱其对真实跌倒事件的敏感性。为解决这一挑战，我们提出了一个结合半监督聚类与对比学习的个人化框架，以识别和平衡最具信息性的用户反馈样本。该框架在三种重新训练策略下进行评估，包括从头训练 (TFS)、迁移学习 (TL) 和少样本学习 (FSL)，以评估其在不同学习范式中的适应性。实时实验包括十名受试者，结果显示 TFS 方法取得最佳性能，相较于基线提升最高可达 25%，而 FSL 获得次佳性能，提升 7%，表明在实际部署中选择性个人化的有效性。
引用
@article{arxiv.2603.17148,
title = {Personalized Fall Detection by Balancing Data with Selective Feedback Using Contrastive Learning},
author = {Awatif Yasmin and Tarek Mahmud and Sana Alamgeer and Anne H. H. Ngu},
journal= {arXiv preprint arXiv:2603.17148},
year = {2026}
}