תכנון וניתוח של מערכת גילוי סתיו פישוט

המתודולוגיה שלנו מוסיפה שלבים חשובים, בחירת שילוב חיישנים, מיקום וסיווג, כדי לפשט את מערכת גילוי הסתיו בניתוח מעמיק. ישנן עבודות קודמות שמטפלות בכמה בעיות עיצוב בזיהוי נפילות, אך אין עבודה המתמקדת במתודולוגיה הוליסטית להתגברות על כל הבעיות הללו. מתודולוגיה זו יכולה לשמש גם לזיהוי פעילות אנושית בדיור מוגן, הערכת ביצועי ספורט, יישומי פיזיותרפיה ושיקום.

בעת יצירת ערכת נתונים, עלולים להתעורר אתגרים עקב חוסר עקביות בסינכרון, בארגון ובנתונים. יש לקחת בחשבון עסקת חליפין בין הערכה מדויקת לבין מורכבות המודל. הדגמת ההליך תהיה חוזה פבלו נונייז מרטינז, עוזר מחקר, וסופיה Pacheco Ibanez, סטודנט להנדסה לתואר ראשון מהמעבדה שלנו.

התחל בהגדרת מערכת איסוף הנתונים כדי להקל על איסוף ואחסון של נתוני נושא. בחר את סוגי החיישנים הלבישים, חיישני הסביבה והמכשירים מבוססי הראייה הנדרשים כמקורות מידע והקצה מזהה עבור כל מקור מידע, מספר הערוצים למקור, המפרט הטכני וקצב הדגימה של כל אחד מהם. כדי לחבר את כל מקורות המידע למחשב מרכזי או למערכת מחשב מבוזרת, ודא תחילה שההתקנים מבוססי החוט מחוברים כראוי למחשב לקוח יחיד וודא שההתקנים מבוססי האלחוט טעונים במלואם.

כדי להגדיר כל התקן לאחזור נתונים, הגדר את מערכת איסוף הנתונים כך שתאפשר אחסון נתונים בענן ואשר שמערכת איסוף הנתונים ממלאת את מאפייני סינכרון הנתונים ועקביות הנתונים המתאימים. הקפד לבדוק כי כל החיישנים רוכשים נתונים באופן עקבי ובו זמנית ולכלול תוויות לזיהוי פעילות ותכונות נושא. אסוף נתונים לדוגמה עם ההתקנים ואחסן את הנתונים במערכת מועדפת.

בצע שאילתה על מסד הנתונים וקבע אם כל מקורות המידע נאספים באותם קצבי דגימה. לאחר בחינת התנאים הנדרשים במגבלות שהוטלו על ידי מטרת המערכת, הקימו את סביבת הבדיקה להצבת מזרן או כל מערכת ריצוף תואמת אחרת במרכז הסביבה כדי להבטיח את בטיחות המשתתפים. יש להרחיק את כל החפצים לפחות מטר אחד מהמזרן ולהכין את כל ציוד המגן האישי הדרוש למשתתפים.

לאחר מכן להגדיר את המצלמות המתאימות ולשייך חיישני אינפרא אדום סביב המזרן כפי שמודגם. הגדירו את מטרת מערכת זיהוי הנפילות וזיהוי הפעילות האנושית בגיליון תכנון והגדירו את אוכלוסיית היעד של הניסוי בהתאם למטרת המערכת. הגדר את סוג הפעילויות היומיומיות כולל כמה פעילויות שאינן נופלות להיראות כמו נפילות כדי לשפר את זיהוי הנפילה האמיתית.

הקצה מזהה עבור כל פעילות ותיאר את הפעילויות בפירוט רב ככל האפשר. לאחר מכן הגדר את פרק הזמן לביצוע כל פעילות. הגדר את סוג הנפילות האנושיות והקצה מזהה ותיאר כל נפילה עבור כל פעילות יחד עם פרק הזמן עבור כל נפילה שתבוצע.

שקול אם המפלים ייווצרו על-ידי הנושאים או ייווצרו על-ידי אחרים וכתוב מידע זה בגיליון התכנון. כדי לאסוף את נתוני הפעילות והנפילה, מקם את התקני ההקלטה על הנושא כפי שמודגם. כאשר הנושא מוכן, תחת פיקוחו של מומחה קליני או חוקר אחראי, להתחיל את איסוף הנתונים במערכת איסוף הנתונים ולבקש מהנושא לבצע את רצפי הפעילויות והנפילות המתוארות בגיליון התכנון וחוסכים את חותמות הזמן של ההתחלה והסיום של כל פעילות או נפילה.

ודא שהנתונים מכל מקורות המידע נשמרים בענן לאחר כל פעילות או נפילה. כדי לנתח את נתוני הפעילות והנפילה שנאספו, השתמש ב ערכת הנתונים של התכונות עבור כל שיטת למידת מכונה כדי להפעיל אימות צולב של קיפול K. השתמש במדד משותף של הערכה כמו דיוק כדי לבחור את המודל הטוב ביותר שאומן לכל שיטה.

לאחר מכן, פתח את ערכת הנתונים של תכונת ההדרכה בתוכנת שפת התכנות המועדפת ולהשתמש בספריית Pandas כדי לקרוא קובץ CSV כמצוין. פצל את ערכת הנתונים של התכונה בזוגות של כניסות/יציאות כמצוין. בחר שיטת למידת מכונה אחת והגדר את הפרמטרים.

אמן את מודל למידת המכונה ולמד את ערכי ההערכות של המודל באמצעות ערכת הנתונים של תכונת הבדיקה. חזור על האימות הנגדי של K-fold של מספר הפעמים ש- K מצוין באימות ההצלבה של K-fold עבור כל מודל למידת מכונה שנבחר. בחר את המיקומים המתאימים בגישה הרב-מודאלית אם נדרש שילוב של שני מקורות מידע או יותר עבור המערכת ובחר את מקור המידע הטוב ביותר עבור כל מודאליות במערכת.

צור ערכת נתונים משולבת של תכונות באמצעות ערכות הנתונים הבלתי תלויות של מקורות מידע אלה ובחר את שיטת סיווג למידת המכונה. אמן מודל עבור מקורות מידע משולבים אלה וחזור על האימות באמצעות ערכת הנתונים של התכונות המשולבות. לאחר מכן הכינו ערכת נתונים חדשה עם הנושאים בתנאים מציאותיים יותר באמצעות מקורות המידע שנבחרו בניתוח הקודם בלבד.

ייצוג גרפי של הביצועים הטובים ביותר המתקבלים עבור כל מודאליות בהתאם למודל למידת המכונה ותצורת אורך החלון הטובה ביותר ממחישה בבירור כי גישות רב-מודאליות משיגות את ערכי הניקוד הטובים ביותר של F1 בהשוואה לכמה גישות unimodal. אמנם בעיקר באמצעות חיישנים לבישים בלבד, ביצועים דומים לגישה multimodal ניתן להשיג. במונחים של אמת המידה של מודלים מונחי נתונים, יער אקראי מציג את התוצאות הטובות ביותר כמעט בכל הניסויים בעוד רב שכבתית תפיסה ומכונות וקטור תמיכה אינם עקביים מאוד בביצועים.

הביצועים הטובים ביותר מתקבלים כאשר חיישן יחיד משמש במותניים, בצוואר או בכיס הימני ההדוק. הקרסול ופרק כף היד השמאלית חיישנים לבישים ביצעו את הגרוע ביותר. בנוסף, חיישני המותניים, הצוואר והכיס הימני ההדוק עם מסווג יערות אקראיים בגודל חלון של שלוש שניות עם חפיפה של 50% הם החיישנים הלבישים המתאימים ביותר לגילוי נפילות.

מצלמת התצוגה הבין-מערכתית מבצעת את זיהוי הנפילה הטוב ביותר ומיקום המצלמה הטוב ביותר נמצא בנקודת מבט אומאוחרת באמצעות יער אקראי בגודל חלון של שלוש שניות וחפיפה של 50%. בנוסף, מסווג מודל היער האקראי מדגים את הביצועים הטובים ביותר ברמת הדיוק ואת ציון F1 הן במולטי-מודאליות והן בשילוב בין המותניים למצלמה דרגה אחת במקום הראשון. בניסויים שלנו גייסנו צעירים ללא ליקויים, אך יש לבחור נושאים שמתיישרים עם מטרת המערכת ואוכלוסיית היעד באמצעות המערכת.

ניתן לתכנן ולהתיישם מערכות זיהוי נפילות רב-מודאליות פשוטות על סמך מתודולוגיה זו. לצורך הסתגלות בעולם האמיתי, מומלץ להעביר גישות למידה ולמידה עמוקה לפיתוח מערכות חזקות.