当社の方法論は、重要な段階、センサーの組み合わせの選択、配置と分類を追加し、深い分析で落下検出システムを簡素化します。落下検知設計の問題に対処する以前の作品がありますが、これらの問題をすべて克服するための全体的な方法論に焦点を当てた作業はありません。この方法論は、支援生活、スポーツパフォーマンス評価、理学療法およびリハビリテーションアプリケーションにおける人間の活動認識にも使用できます。
データセットを作成すると、同期、組織、およびデータの不整合による課題が発生する可能性があります。正確な推定とモデルの複雑さの間のトレードオフを考慮する必要があります。この手順のデモンストレーションは、研究アシスタントのホセ・パブロ・ヌネズ・マルティネスと、私たちの研究室の学部工学生ソフィア・パチェコ・イバネスです。
まず、データ収集システムを設定して、対象データの収集と保存を容易にします。情報源として必要なウェアラブルセンサー、アンビエントセンサー、ビジョンベースのデバイスの種類を選択し、情報源ごとのID、ソースあたりのチャンネル数、技術仕様、サンプリングレートを割り当てます。すべての情報源を中央コンピュータまたは分散コンピュータ システムに接続するには、まず、有線ベースのデバイスが 1 台のクライアント コンピュータに正しく接続されていることを確認し、ワイヤレス ベースのデバイスが完全に充電されていることを確認します。
データを取得する各デバイスを設定するには、クラウド上のデータストレージを許可するようにデータ取得システムを設定し、データ取得システムが適切なデータ同期およびデータ整合性のプロパティを満たしていることを確認します。すべてのセンサーが一貫して同時にデータを取得していることを確認し、被験者の活動と特性を識別するためのラベルを含むようにしてください。デバイスでサンプル データを収集し、優先システムに格納します。
データベースに対してクエリを実行し、すべての情報源が同じサンプルレートで収集されているかどうかを確認します。システムの目標によって課される制限に必要な条件を検討した後、マットレスまたは他の準拠フローリングシステムを環境の中心に配置する試験環境を設定し、参加者の安全を確保します。マットレスから少なくとも1メートル離れたところに任意のオブジェクトを維持し、参加者のための必要な個人的な保護具を準備します。
次に、適切なカメラを設置し、図のようにマットレスの周りに赤外線センサーをペアリングします。計画シート上の落下検出と人的活動認識システムの目標を定義し、システムの目標に従って実験の目標集団を定義する。実際の落下検出を改善するためにフォールのように見えるいくつかの非落下活動を含む毎日の活動の種類を定義します。
各アクティビティに ID を割り当て、可能な限り詳細に活動を記述します。次に、実行する各アクティビティの期間を設定します。人間の転倒のタイプを定義し、IDを割り当て、各アクティビティの各転倒と各転倒の期間を説明します。
滝が被験者によって自己生成されるか、または他の人によって生成されるのか検討し、この情報を計画シートに書き込みます。活動データとフォール データを収集するには、図のように記録装置を被写体上に配置します。被験者が準備ができたら、臨床専門家または責任ある研究者の監督の下で、データ収集システムでデータ収集を開始し、各活動の開始と終了のタイムスタンプを保存する計画シートに概説されている活動と転倒のシーケンスを実行するように被験者に依頼する。
すべての情報ソースのデータが、各アクティビティの後にクラウドに保存されているか、またはフォールした後に保存されていることを確認します。収集されたアクティビティとフォール データを分析するには、各機械学習メソッドのフィーチャ データセットを使用して、K 折り曲げクロス検証を実行します。精度のような評価の共通メトリックを使用して、方法ごとにトレーニングされた最良のモデルを選択します。
次に、推奨プログラミング言語ソフトウェアでトレーニング フィーチャ データセットを開き、pandas ライブラリを使用して、示されている CSV ファイルを読み取ります。示されているとおり、フィーチャ データセットを入力/出力のペアで分割します。1 つの機械学習方法を選択し、パラメーターを設定します。
機械学習モデルをトレーニングし、テスト フィーチャ データセットを使用してモデルの推定値を計算します。選択した各機械学習モデルの K 折りクロス検証で K 折り返しのクロス検証を指定した回数を K-fold クロス検証を繰り返します。システムに 2 つ以上の情報源を組み合わせて使用する必要がある場合は、マルチモーダルアプローチで適切な配置を選択し、システムの各モダリティに最適な情報源を選択します。
これらの情報源の独立したデータセットを使用して結合されたフィーチャ データセットを作成し、機械学習の分類方法を選択します。これらの複合情報ソースのモデルをトレーニングし、結合されたフィーチャ データセットを使用して検証を繰り返します。次に、前の分析で選択した情報源のみを使用して、より現実的な条件下で被験者を含む新しいデータセットを準備します。
機械学習モデルに応じて各モダリティに対して得られる最高のパフォーマンスと最適なウィンドウ長の設定をグラフィカルに表現すると、マルチモーダルアプローチが一部のユニモーダルアプローチと比較して最良のF1スコア値を得ることが明確に示されています。特にウェアラブルセンサーのみを使用していますが、マルチモーダルアプローチと同様の性能を得ることができます。データ駆動モデルのベンチマークでは、ランダムフォレストは、多層パーセプトロンとサポートベクターマシンが性能にあまり一貫していない間、実験のほとんどすべてで最良の結果を提示します。
腰、首、またはタイトな右ポケットで単一のセンサーを使用する場合、最高のパフォーマンスが得られます。足首と左手首のウェアラブルセンサーは最悪のパフォーマンスを示しました。さらに、50%重なり合う3秒の窓サイズでランダムな森林分類器を備えた腰、首、タイトな右ポケットセンサーは、落下検出に最も適したウェアラブルセンサーです。
横向きのビュー カメラは最適な落下検出を実行し、最適なカメラの位置は、3 秒のウィンドウ サイズと 50% のオーバーラップでランダム フォレストを使用して横向きのビュー ポイントにあります。さらに、ランダムフォレストモデル分類器は、マルチモダリティとウエストとカメラの間の組み合わせの両方で精度とF1スコアで最高のパフォーマンスを示し、最初の位置にランク付けします。実験では、障害のない若者を募集しましたが、システムの目標とシステムを使用したターゲット人口に合わせて被験者を選ぶ必要があります。
シンプルなマルチモーダル落下検出システムは、この方法論に基づいて設計および実装することができます。現実世界の適応のために、転送学習とディープラーニングのアプローチは、堅牢なシステムを開発するために推奨されます。
