Наша методология добавляет важные этапы, выбор комбинации датчиков, размещения и классификации, чтобы упростить систему обнаружения падения с глубоким анализом. Есть предыдущие работы, которые касаются некоторых проблем обнаружения падения, но нет работы, которая фокусируется на целостной методологии для преодоления всех этих проблем. Эта методология также может быть использована для распознавания человеческой деятельности в ассистированной жизни, оценки спортивных результатов, физической терапии и реабилитации приложений.
При наборе данных могут возникнуть проблемы, связанные с синхронизацией, организацией и несоответствием данных. Следует принимать во внимание компромисс между точной оценкой и сложностью модели. Демонстрация процедуры будет Хосе Пабло Нуньес Мартинес, научный сотрудник, и София Пачеко Ibanez, студент инженерного факультета из нашей лаборатории.
Начните с настройки системы сбора и хранения данных для облегчения сбора и хранения предметных данных. Выберите типы носимых датчиков, датчиков окружающей среды и устройств на основе зрения, необходимых в качестве источников информации, и назначьте идентификатор для каждого источника информации, количество каналов на источник, технические характеристики и скорость отбора проб каждого из них. Чтобы подключить все источники информации к центральному компьютеру или распределенной компьютерной системе, сначала убедитесь, что устройства на основе проводов подключены должным образом к одному клиенту компьютера и убедитесь, что беспроводные устройства полностью заряжены.
Чтобы настроить каждое устройство для получения данных, установите систему сбора данных, чтобы обеспечить хранение данных в облаке и подтвердите, что система сбора данных выполняет соответствующие свойства синхронизации данных и согласованности данных. Обязательно убедитесь, что все датчики постоянно и одновременно приобретают данные и включают метки для определения предметной активности и признаков. Сбор выборочных данных с помощью устройств и хранение данных в предпочтительной системе.
Запрос базы данных и определить, если все источники информации собираются с той же выборки ставок. После рассмотрения условий, требуемых в ограничениях, налагаемых целью системы, создайте тестовую среду, поместив матрас или любые другие совместимые системы напольных настилов в центр окружающей среды для обеспечения безопасности участников. Храните любые предметы на глубине не менее одного метра от матраса и подготовьте любое необходимое средства индивидуальной защиты для участников.
Затем установите соответствующие камеры и парные инфракрасные датчики вокруг матраса, как показано на примере. Определите цель обнаружения падения и системы распознавания человеческой деятельности на листе планирования и определите целевую популяцию эксперимента в соответствии с целью системы. Определите тип повседневной деятельности, включая некоторые не падения деятельности, которые выглядят как падает, чтобы улучшить реальное обнаружение падения.
Назначьте идентификатор для каждого действия и опишите действия как можно более подробно. Затем установите период времени для выполнения каждого действия. Определите тип человеческих падений и назначьте идентификатор и опишите каждую осень для каждого вида деятельности вместе с периодом времени для каждой осени, который будет выполнен.
Рассмотрим, если падает будет самостоятельной основе субъектов или порожденных другими и написать эту информацию на листе планирования. Для сбора данных о активности и падении поместите записывающие устройства на объект, как показано на иллюстрации. Когда субъект будет готов, под наблюдением клинического эксперта или ответственного исследователя, начать сбор данных в системе сбора данных и попросить субъекта для выполнения последовательностей деятельности и падает, изложенные в листе планирования сохранения времени от начала и конца каждой деятельности или падения.
Убедитесь, что данные из всех источников информации сохраняются в облаке после каждого действия или падения. Для анализа собранных данных о активности и падении используйте набор данных функций для каждого метода машинного обучения для времени перекрестной проверки K-fold. Используйте общую метрику оценки, такую как точность, чтобы выбрать лучшую модель, обученную для одного метода.
Затем откройте набор данных учебных функций в предпочтительном программном обеспечении языка программирования и используйте библиотеку панд для чтения файла CSV, как указано. Разделите набор данных функций на пары входов/выходов, как указано. Выберите один метод машинного обучения и установите параметры.
Обучите модель машинного обучения и вычистете значения оценок модели с помощью набора данных функции тестирования. Повторите повторную перекрестную проверку K-раза, указанное в перекрестной проверке K-fold для каждой выбранной модели машинного обучения. Выберите подходящие места в мультимодальном подходе, если для системы требуется сочетание двух или более источников информации, и выберите наилучший источник информации для каждого механизма в системе.
Создайте комбинированный набор данных функций, используя независимые наборы данных этих источников информации, и выберите метод классификации машинного обучения. Обучить модель для этих комбинированных источников информации и повторить проверку с помощью комбинированного набора данных функций. Затем подготовьте новый набор данных с субъектами в более реалистичных условиях, используя только источники информации, выбранные в предыдущем анализе.
Графическое представление наилучшей производительности, полученной для каждого условия в зависимости от модели машинного обучения и наилучшей конфигурации длины окна, ясно показывает, что мультимодальные подходы получают лучшие значения оценки F1 по сравнению с некоторыми унимодальными подходами. Хотя особенно с помощью носимых датчиков только, аналогичная производительность мультимодального подхода могут быть получены. С точки зрения эталона моделей, управляемых данными, случайный лес представляет лучшие результаты почти во всех экспериментах, в то время как многослойные перцептронные и векторные машины поддержки не очень последовательны по производительности.
Лучшая производительность получена, когда один датчик используется на талии, шее или плотном правом кармане. Лодыжки и левое запястье носимых датчиков выполняется худшее. Кроме того, талия, шея и жесткие правые карманные датчики со случайным классификатором лесов в трех секундном размере окна с 50%-ным перекрытием являются наиболее подходящими носимыми датчиками для обнаружения падения.
Камера бокового просмотра выполняет лучшее обнаружение падения, а лучшее расположение камеры находится в боковой точке зрения, используя случайный лес в трех секундном размере окна и 50% перекрытия. Кроме того, классификатор случайной лесной модели демонстрирует лучшую производительность по точности и оценку F1 как в мульти-модальностях, так и в сочетании талии и камеры, одной из первых позиций. В наших экспериментах мы набирали молодых людей без нарушений, но должны быть выбраны предметы, которые соответствуют цели системы и целевого населения с помощью системы.
На основе этой методологии могут быть разработаны и внедрены простые мультимодальные системы обнаружения падений. Для адаптации в реальном мире для разработки надежных систем рекомендуется передавать обучение и подходы к глубокому обучению.
