Design og analyse til forenkling af falddetekteringssystem

Vores metode tilføjer vigtige faser, udvælgelse af sensorkombination, placering og klassificering for at forenkle falddetektionssystemet med en dyb analyse. Der er tidligere værker, der løser nogle fald detektion design spørgsmål, men der er intet arbejde, der fokuserer på holistisk metode til at overvinde alle disse problemer. Denne metode kan også bruges til menneskelig aktivitet anerkendelse i assisteret levende, sport ydeevne evaluering, fysioterapi og rehabilitering applikationer.

Når der oprettes et datasæt, kan der opstå udfordringer på grund af synkronisering, organisation og datakonsekvens. Der bør tages hensyn til en afvejning mellem en nøjagtig vurdering og modellens kompleksitet. Demonstration af proceduren vil blive Jose Pablo Nunez Martinez, en forskningsassistent, og Sofia Pacheco Ibanez, en bachelor ingeniørstuderende fra vores laboratorium.

Begynd med at konfigurere dataindsamlingssystemet for at gøre det lettere at indsamle og lagre emner. Vælg de typer bærbare sensorer, omgivende sensorer og synsbaserede enheder, der kræves som informationskilder, og tildel et id for hver informationskilde, antallet af kanaler pr. kilde, de tekniske specifikationer og samplinghastigheden for hver af dem. Hvis du vil slutte alle informationskilder til en central computer eller et distribueret computersystem, skal du først kontrollere, at de trådbaserede enheder er tilsluttet korrekt til en enkelt klientcomputer, og kontrollere, at de trådløse enheder er fuldt opladet.

Hvis du vil konfigurere hver enhed til at hente data, skal du indstille dataopsamlingssystemet til at tillade datalagring i skyen og bekræfte, at dataopsamlingssystemet opfylder de relevante datasynkroniserings- og datakonsistensegenskaber. Sørg for at kontrollere, at alle sensorer henter data konsekvent og samtidigt og til at omfatte etiketter til identifikation af emneaktivitet og egenskaber. Indsaml eksempeldata med enhederne, og gem dataene i et foretrukket system.

Forespørg på databasen, og find ud af, om alle informationskilder indsamles med de samme eksempelhastigheder. Efter at have overvejet de betingelser, der kræves i de restriktioner, der er fastsat i målet for systemet, oprette testmiljø placere en madras eller andre kompatible gulvsystemer i midten af miljøet for at sikre deltagerens sikkerhed. Hold genstande mindst en meter væk fra madrassen og klargør eventuelt nødvendigt personligt værneudstyr til deltagerne.

Derefter oprette de relevante kameraer og parre infrarøde sensorer omkring madrassen som illustreret. Definer målet for falddetekterings- og menneskeligaktivitetsgenkendelsessystemet på et planlægningsark, og definer eksperimentets målgruppe i overensstemmelse med systemets mål. Definer den type daglige aktiviteter, herunder nogle ikke-fald aktiviteter, der ligner falder til at forbedre reelle fald afsløring.

Tildel et id for hver aktivitet, og beskriv aktiviteterne så detaljeret som muligt. Angiv derefter tidsperioden for hver aktivitet, der skal udføres. Definer typen af menneskelige fald og tildele et id og beskrive hvert fald for hver aktivitet sammen med den periode for hvert fald, der skal udføres.

Overvej, om faldet vil blive selvgenereret af emnerne eller genereret af andre og skrive disse oplysninger på planlægningsarket. Hvis du vil indsamle aktivitets- og falddata, skal du placere optageenhederne på motivet som vist. Når forsøgspersonen er klar, under tilsyn af en klinisk ekspert eller en ansvarlig forsker, starte dataindsamlingen i dataindsamlingssystemet og bede emnet om at udføre sekvenser af aktiviteter og falder skitseret i planlægningsarket gemme tidsstempler af start og slutningen af hver aktivitet eller falde.

Kontroller, at dataene fra alle informationskilder gemmes i skyen efter hver aktivitet eller fald. Hvis du vil analysere de indsamlede aktivitets- og efterårsdata, skal du bruge funktionsdatasættet for hver maskinlæringsmetode til at køre en K-fold på tværs af valideringen. Brug en almindelig metrikværdi af evaluering som nøjagtighed til at vælge den bedste model, der er uddannet pr. metode.

Åbn derefter træningsfunktionsdatasættet i den foretrukne programmeringssprogsoftware og brug pandabiblioteket til at læse en CSV-fil som angivet. Opdel funktionsdatasættet i par indgange/output som angivet. Vælg én maskinlæringsmetode, og angiv parametrene.

Træn maskinlæringsmodellen, og beregn modellens estimatværdier ved hjælp af testfunktionsdatasættet. Gentag den K-folde krydsvalidering af det antal gange K er angivet i K-folden cross-validering for hver valgt maskinlæringsmodel. Vælg de passende placeringer i den multimodale tilgang, hvis der kræves en kombination af to eller flere informationskilder til systemet, og vælg den bedste informationskilde for hver modalitet i systemet.

Opret et kombineret funktionsdatasæt ved hjælp af de uafhængige datasæt af disse informationskilder, og vælg klassificeringsmetoden for maskinlæring. Træn en model til disse kombinerede informationskilder, og gentag valideringen ved hjælp af det kombinerede funktionsdatasæt. Derefter udarbejde et nyt datasæt med emnerne under mere realistiske forhold ved hjælp af kun de informationskilder, der er valgt i den foregående analyse.

Grafisk repræsentation af den bedste ydeevne opnået for hver modalitet afhængigt af machine learning-modellen og den bedste vindueslængdekonfiguration illustrerer tydeligt, at multimodale tilgange opnår de bedste F1-scoreværdier sammenlignet med nogle unimodale tilgange. Selv om det især kun er ved hjælp af bærbare sensorer, kan der opnås en lignende ydelse som en multimodal tilgang. Med hensyn til benchmarket for de datadrevne modeller præsenterer tilfældig skov de bedste resultater i næsten alle forsøgene, mens flerlagsperceptron- og støttevektormaskiner ikke er særlig ensartede i ydeevne.

Den bedste ydelse opnås, når en enkelt sensor bruges i taljen, halsen eller den stramme højre lomme. Ankel og venstre håndled bærbare sensorer udført det værste. Desuden er taljen, halsen og de stramme højre lommesensorer med tilfældige skove, der klassificerer i en vinduesstørrelse på tre sekunder med 50 % overlapning, de mest velegnede bærbare sensorer til falddetektering.

Den laterale visning kamera udfører den bedste fald detektion og den bedste kamera placering er i en lateral visning punkt ved hjælp af tilfældige skov i en tre-sekunders vindue størrelse og 50% overlappende. Desuden viser den tilfældige skovmodel klassificering den bedste ydeevne i nøjagtighed og F1 score i både multi-modaliteter og kombinationen mellem taljen og kameraet en rangerer i den første position. I vores eksperimenter rekrutterede vi unge uden funktionsnedsættelser, men forsøgspersoner bør udvælges, der er i overensstemmelse med systemets og målgruppens mål.

Enkle multimodale falddetekteringssystemer kan designes og implementeres på grundlag af denne metode. Til tilpasning i den virkelige verden anbefales transferlæring og deep learning-tilgange til udvikling af robuste systemer.