我们的方法增加了重要的阶段，选择传感器组合，放置和分类，以简化秋季检测系统与深入分析。以前有一些作品可以解决一些秋季检测设计问题，但是没有一项工作侧重于克服所有这些问题的整体方法。这种方法还可用于辅助生活、运动性能评估、物理治疗和康复应用中的人类活动识别。
创建数据集时，可能会因同步、组织和数据不一致而产生挑战。应考虑准确估计和模型复杂性之间的权衡。展示这个程序的将是研究助理何塞·巴勃罗·努涅斯·马丁内斯和来自我们实验室的本科工程系学生索菲亚·帕切科·伊巴内斯。
首先设置数据采集系统，以方便主体数据的收集和存储。选择可穿戴传感器、环境传感器和基于视觉的设备类型作为信息来源，并为每个信息源分配 ID、每个源的通道数、技术规格以及每个源的采样率。要将所有信息源连接到中央计算机或分布式计算机系统，首先验证基于有线的设备是否已正确连接到单个客户端计算机，并验证基于无线的设备是否已充满电。
若要设置每个设备以检索数据，请设置数据采集系统以允许在云上存储数据，并确认数据采集系统是否满足适当的数据同步和数据一致性属性。请务必检查所有传感器是否同时获取数据，并包括用于识别主题活动和特征的标签。使用设备收集示例数据，将数据存储在首选系统中。
查询数据库并确定是否以相同的采样率收集所有信息源。在考虑系统目标施加的限制条件后，在环境中心设置放置床垫或任何其他合规地板系统的测试环境，以确保参与者的安全。将任何物品放在离床垫至少一米远的地方，并为参与者准备任何必要的个人防护装备。
然后设置适当的摄像头，并在床垫周围配对红外传感器，如图所示。在规划表上定义秋季检测和人类活动识别系统的目标，并根据系统的目标定义实验的目标群体。定义日常活动的类型，包括一些看起来像跌倒的非秋季活动，以改善真正的坠落检测。
为每个活动分配一个 ID，并尽可能详细地描述活动。然后设置要执行的每个活动的时间段。定义人类坠落的类型，并分配一个 ID，并描述每个活动的每个瀑布以及要执行的每个瀑布的时间段。
考虑瀑布是由受试者自行生成还是由其他人生成，并将此信息写在规划表上。要收集活动和秋季数据，请将记录设备放在主题上，如图所示。当主体准备就绪后，在临床专家或负责的研究人员的监督下，在数据采集系统中开始数据收集，并要求主体执行规划表中概述的活动和下降序列，从而保存每次活动开始和结束的时间戳或下降。
验证来自所有信息源的数据是否在每个活动或下降后保存在云上。若要分析收集的活动和秋季数据，请使用每个机器学习方法的要素数据集运行 K 折叠交叉验证。使用通用的评估指标（如准确性）来选择按方法训练的最佳模型。
接下来，在首选编程语言软件中打开训练功能数据集，并使用熊猫库读取 CSV 文件，如指示。按指示将要素数据集分成成成对的输入/输出。选择一种机器学习方法并设置参数。
使用测试要素数据集训练机器学习模型并计算模型的估计值。对所选每个机器学习模型的 K 折叠交叉验证中指定的 K 次交叉验证重复 K 倍交叉验证。如果系统需要两个或多个信息来源的组合，请选择多式联运方法中合适的位置，并为每个系统中每种方式选择最佳信息来源。
使用这些信息源的独立数据集创建组合要素数据集，并选择机器学习分类方法。训练这些组合信息源的模型，并使用组合要素数据集重复验证。然后，仅使用上一个分析中选择的信息来源，在更现实的条件下与主题一起准备一个新的数据集。
根据机器学习模型和最佳窗口长度配置，每种模式获得的最佳性能的图形表示清楚地表明，与某些单模方法相比，多式联运方法获得了最佳 F1 分数值。虽然主要仅使用可穿戴传感器，但可以获得与多式联运方法类似的性能。就数据驱动模型的基准而言，随机林在几乎所有实验中都呈现最佳结果，而多层感知器和支持向量机的性能不太一致。
当在腰部、颈部或右口袋使用单个传感器时，可获得最佳性能。脚踝和左手腕可穿戴传感器表现最差。此外，腰围、颈部和紧固右口袋传感器与随机森林分类器在三秒钟窗口大小与50%重叠是最合适的可穿戴传感器秋季检测。
横向视图摄像机执行最佳的秋季检测，最佳摄像机位置位于横向视点，使用三秒窗口大小和 50% 重叠的随机林。此外，随机林模型分类器在多模数和腰部和摄像头的组合中均表现出最佳精度和 F1 得分，排在第一位。在我们的实验中，我们招募了没有损伤的年轻人，但应选择符合系统目标和使用该系统的目标人群的受试者。
基于这种方法可以设计和实现简单的多式联运坠落检测系统。对于现实世界的适应，建议转移学习和深度学习方法开发健壮的系统。
