ViFusionTST：基于负载信号时间序列图像表示的深度融合用于早期卧床退出预测
计算机视觉与模式识别
2025-10-22 v4 人工智能
摘要
床位跌倒仍是医院和长期照护机构伤害的主要来源，但许多商业报警器仅在患者已从床上离开后才会触发。我们展示了仅使用一台安装在床腿下的低成本负载电阻即可预测早期卧床退出意图。将得到的负载信号首先转换为一组紧凑的互补图像：一个保留原始波形的 RGB 折线图，以及三个纹理图——复现图、马尔可夫转移场和格兰格角度场——揭示更高阶的动力学。我们引入 ViFusionTST，一种双流 Swin Transformer，通过交叉注意力融合折线图和纹理图，以学习数据驱动的模态权重。为提供现实基准，我们在长期照护机构收集了六个月来自 95 张床位的连续数据。在该真实数据集上，ViFusionTST 达到 0.885 的准确率和 0.794 的 F1 分数，超越了最近的 1D 和 2D 时间序列基线在 F1、召回、准确率和 AUPRC 等指标上。结果表明，基于图像的负载传感器信号时间序列分类融合是实现实时、隐私保护跌倒预防的实用且有效的解决方案。
引用
@article{arxiv.2506.22498,
title = {ViFusionTST: Deep Fusion of Time-Series Image Representations from Load Signals for Early Bed-Exit Prediction},
author = {Hao Liu and Yu Hu and Rakiba Rayhana and Ling Bai and Zheng Liu},
journal= {arXiv preprint arXiv:2506.22498},
year = {2025}
}