منهجيتنا تضيف مراحل هامة، واختيار مزيج من أجهزة الاستشعار، ووضع وتصنيف، لتبسيط نظام الكشف عن الخريف مع تحليل عميق. هناك أعمال سابقة تعالج بعض قضايا تصميم كشف الخريف، ولكن لا يوجد عمل يركز على منهجية شاملة للتغلب على جميع هذه المشاكل. ويمكن استخدام هذه المنهجية أيضاً في التعرف على النشاط البشري في مجال المساعدة على الحياة، وتقييم الأداء الرياضي، والعلاج الطبيعي، وتطبيقات إعادة التأهيل.
عند إنشاء مجموعة بيانات، قد تنشأ تحديات بسبب المزامنة، والتنظيم، وعدم التناسق في البيانات. وينبغي أن يؤخذ في الاعتبار المقايضة بين التقدير الدقيق وتعقّد النموذج. ومن خلال هذا الإجراء، سيكون خوسيه بابلو نونيز مارتينيز، وهو مساعد باحث، وصوفيا باتشيكو إيبانيز، طالبة هندسة جامعية من مختبرنا.
ابدأ بإنشاء نظام الحصول على البيانات لتسهيل جمع البيانات وتخزينها. حدد أنواع أجهزة الاستشعار القابلة للارتداء، وأجهزة الاستشعار المحيطة، والأجهزة القائمة على الرؤية المطلوبة كمصادر للمعلومات، وحدد معرف لكل مصدر للمعلومات، وعدد القنوات لكل مصدر، والمواصفات الفنية، ومعدل أخذ العينات لكل منها. لتوصيل كافة مصادر المعلومات إلى كمبيوتر مركزي أو نظام كمبيوتر موزعة أولاً تحقق من توصيل الأجهزة المستندة إلى سلك بشكل صحيح إلى كمبيوتر عميل واحد ثم تحقق من أن الأجهزة المستندة إلى لاسلكية بالكامل.
لإعداد كل جهاز لاسترداد البيانات، قم بتعيين نظام الحصول على البيانات للسماح بتخزين البيانات على السحابة والتأكد من أن نظام الحصول على البيانات يفي بمزامنة البيانات وخصائص تناسق البيانات المناسبة. تأكد من أن جميع أجهزة الاستشعار تكتسب البيانات بشكل ثابت وفي وقت واحد وتضمين تسميات لتحديد النشاط والصفات الموضوع. جمع بيانات العينة مع الأجهزة وتخزين البيانات في نظام مفضل.
الاستعلام عن قاعدة البيانات وتحديد ما إذا كانت كافة مصادر المعلومات يتم جمعها بنفس معدلات العينة. بعد النظر في الشروط المطلوبة في القيود المفروضة من قبل الهدف من النظام، وإعداد بيئة اختبار وضع فراش أو أي أنظمة الأرضيات متوافقة أخرى في وسط البيئة لضمان سلامة المشاركين. احتفظ بأية أغراض على بعد متر واحد على الأقل من الفراش، واحضر أي معدات حماية شخصية ضرورية للمشاركين.
ثم قم بإعداد الكاميرات المناسبة وإقران مستشعرات الأشعة تحت الحمراء حول الفراش كما هو موضح. تحديد هدف نظام كشف السقوط والتعرف على النشاط البشري على ورقة تخطيط وتحديد السكان المستهدفين من التجربة وفقا لهدف النظام. تحديد نوع الأنشطة اليومية بما في ذلك بعض الأنشطة غير الخريف التي تبدو وكأنها تقع لتحسين كشف السقوط الحقيقي.
تعيين معرف لكل نشاط ووصف الأنشطة بأكبر قدر ممكن من التفصيل. ثم قم بتعيين الفترة الزمنية لكل نشاط ليتم تنفيذه. تحديد نوع السقوط البشري وتعيين معرف ووصف كل سقوط لكل نشاط جنبا إلى جنب مع الفترة الزمنية لكل سقوط ليتم تنفيذها.
النظر في ما إذا كان سيتم إنشاء السقوط ذاتيا من قبل المواضيع أو التي تم إنشاؤها من قبل الآخرين وكتابة هذه المعلومات على ورقة التخطيط. لجمع بيانات النشاط والسقوط، ضع أجهزة التسجيل على الموضوع كما هو موضح. عندما يكون الموضوع جاهزاً، تحت إشراف خبير سريري أو باحث مسؤول، ابدأ جمع البيانات في نظام اكتساب البيانات واطلب من الشخص إجراء تسلسل الأنشطة والسقوط المبين في ورقة التخطيط مما يوفر الطوابع الزمنية لبداية ونهاية كل نشاط أو سقوط.
تحقق من حفظ البيانات من جميع مصادر المعلومات على السحابة بعد كل نشاط أو سقوط. لتحليل البيانات التي تم جمعها من النشاط والسقوط، استخدم مجموعة بيانات المعالم لكل أسلوب تعلم الآلة لتشغيل التحقق من صحة عبر ثني K. استخدم مقياسًا مشتركًا للتقييم مثل الدقة لتحديد أفضل نموذج تم تدريبه لكل طريقة.
بعد ذلك، افتح مجموعة بيانات ميزة التدريب في برنامج لغة البرمجة المفضلة واستخدم مكتبة الباندا لقراءة ملف CSV كما هو مبين. تقسيم مجموعة البيانات ميزة في أزواج من المدخلات / المخرجات كما هو مبين. حدد أسلوب تعلم آلة واحد وقم بتعيين المعلمات.
تدريب نموذج التعلم الآلي وحساب قيم التقديرات للنموذج باستخدام مجموعة بيانات ميزة الاختبار. كرر التحقق من صحة تقاطع K-fold لعدد المرات التي يتم فيها تحديد K في التحقق من صحة الـ K-fold عبر لكل نموذج تعلم الآلة المحدد. حدد المواضع المناسبة في النهج المتعدد الوسائط إذا كان هناك حاجة إلى مزيج من مصدرين أو أكثر من مصادر المعلومات للنظام واختيار أفضل مصدر للمعلومات لكل طريقة في النظام.
إنشاء مجموعة بيانات ميزة مجمعة باستخدام مجموعات البيانات المستقلة لمصادر المعلومات هذه وتحديد طريقة تصنيف التعلم الآلي. تدريب نموذج لمصادر المعلومات المجمعة هذه وتكرار التحقق باستخدام مجموعة البيانات الخاصة بالميزة المجمعة. ثم إعداد مجموعة بيانات جديدة مع المواضيع تحت ظروف أكثر واقعية باستخدام مصادر المعلومات المختارة في التحليل السابق فقط.
التمثيل الرسومي لأفضل أداء تم الحصول عليها لكل طريقة اعتمادا على نموذج التعلم الآلي وأفضل تكوين طول النافذة يوضح بوضوح أن النهج المتعددة الوسائط الحصول على أفضل قيم درجة F1 مقارنة ببعض النهج الأحادية الواسطة. على الرغم من استخدام أجهزة الاستشعار القابلة للارتداء فقط، إلا أنه يمكن الحصول على أداء مماثل لنهج متعدد الوسائط. من حيث المعيار للنماذج المستندة إلى البيانات ، تقدم الغابات العشوائية أفضل النتائج في جميع التجارب تقريبًا بينما لا تكون آلات الـscepter متعددة الطبقات وناقلات الدعم متسقة للغاية في الأداء.
يتم الحصول على أفضل أداء عند استخدام جهاز استشعار واحد في الخصر أو الرقبة أو الجيب الأيمن الضيق. الكاحل والمعصم الأيسر أجهزة الاستشعار التي يمكن ارتداؤها أداء أسوأ. بالإضافة إلى ذلك ، فإن الخصر ، الرقبة ، وأجهزة الاستشعار الضيقة الجيب الأيمن مع مصنف الغابات العشوائية في حجم نافذة لمدة ثلاث ثوان مع 50 ٪ متداخلة هي أجهزة الاستشعار الأكثر ملاءمة للارتداء للكشف عن الخريف.
كاميرا عرض الجانبي ينفذ أفضل كشف سقوط وأفضل موقع الكاميرا هو في وجهة نظر ذاتية باستخدام الغابات عشوائية في حجم نافذة ثلاث ثوان وتداخل 50٪. بالإضافة إلى ذلك، يوضح مصنف نموذج الغابات العشوائي أفضل أداء في الدقة ودرجة F1 في كل من الطرائق المتعددة والمزيج بين الخصر والكاميرا مرتبة واحدة في الموضع الأول. في تجاربنا، قمنا بتوظيف شباب بدون ضعف، ولكن يجب اختيار مواضيع تتماشى مع هدف النظام والسكان المستهدفين الذين يستخدمون النظام.
ويمكن تصميم وتنفيذ نظم بسيطة للكشف عن السقوط المتعدد الوسائط استنادا إلى هذه المنهجية. وبالنسبة للتكيف الحقيقي في العالم، يوصى باتباع نهج التعلم والنقل والتعلم العميق من أجل تطوير نظم قوية.
