Design und Analyse zur Vereinfachung des Fallerkennungssystems

Unsere Methodik fügt wichtige Stufen, Auswahl der Sensorkombination, Platzierung und Klassifizierung, um das Fallerkennungssystem mit einer tiefen Analyse zu vereinfachen. Es gibt frühere Arbeiten, die einige Probleme mit dem Entwurf der Fallerkennung behandeln, aber es gibt keine Arbeit, die sich auf eine ganzheitliche Methodik zur Überwindung all dieser Probleme konzentriert. Diese Methode kann auch für die Anerkennung menschlicher Aktivitäten in assistierten Leben, Sportleistungsbewertung, Physiotherapie und Rehabilitationsanwendungen verwendet werden.

Wenn ein Dataset erstellt wird, können Herausforderungen aufgrund von Synchronisierung, Organisation und Dateninkonsistenz auftreten. Ein Kompromiss zwischen einer genauen Schätzung und der Modellkomplexität sollte berücksichtigt werden. Demonstriert wird das Verfahren von Jose Pablo Nunez Martinez, einem wissenschaftlichen Assistenten, und Sofia Pacheco Ibanez, einem Student der Ingenieurwissenschaften aus unserem Labor.

Beginnen Sie mit der Einrichtung des Datenerfassungssystems, um die Erhebung und Speicherung von Personenbezogenen Daten zu erleichtern. Wählen Sie die Typen von tragbaren Sensoren, Umgebungssensoren und visionsbasierten Geräten aus, die als Informationsquellen erforderlich sind, und weisen Sie eine ID für jede Informationsquelle, die Anzahl der Kanäle pro Quelle, die technischen Spezifikationen und die Abtastrate der einzelnen Geräte zu. Um alle Informationsquellen mit einem zentralen Computer oder einem verteilten Computersystem zu verbinden, überprüfen Sie zunächst, ob die kabelbasierten Geräte ordnungsgemäß mit einem einzelnen Clientcomputer verbunden sind, und stellen Sie sicher, dass die drahtlos basierten Geräte vollständig geladen sind.

Um jedes Gerät zum Abrufen von Daten einzurichten, legen Sie das Datenerfassungssystem so fest, dass Datenspeicherung in der Cloud möglich ist, und stellen Sie sicher, dass das Datenerfassungssystem die entsprechenden Datensynchronisierungs- und Datenkonsistenzeigenschaften erfüllt. Stellen Sie sicher, dass alle Sensoren Daten konsistent und gleichzeitig erfassen und Beschriftungen zur Identifizierung von Subjektaktivitäten und -merkmalen enthalten. Sammeln Sie Beispieldaten mit den Geräten und speichern Sie die Daten in einem bevorzugten System.

Abfragen Sie die Datenbank, und ermitteln Sie, ob alle Informationsquellen mit den gleichen Abtastraten gesammelt werden. Nach Berücksichtigung der Bedingungen, die in den Durchdringungsbedingungen des Systems erforderlich sind, richten Sie die Testumgebung ein, indem Sie eine Matratze oder andere konforme Bodensysteme in der Mitte der Umgebung platzieren, um die Sicherheit der Teilnehmer zu gewährleisten. Bewahren Sie Gegenstände mindestens einen Meter von der Matratze entfernt auf und bereiten Sie die notwendige persönliche Schutzausrüstung für die Teilnehmer vor.

Richten Sie dann die entsprechenden Kameras ein und koppeln Sie Infrarotsensoren um die Matratze, wie dargestellt. Definieren Sie das Ziel des Fallerkennungs- und Aktivitätserkennungssystems auf einem Planungsblatt und definieren Sie die Zielpopulation des Experiments entsprechend dem Ziel des Systems. Definieren Sie die Art der täglichen Aktivitäten, einschließlich einiger Nicht-Fall-Aktivitäten, die wie Stürze aussehen, um die echte Fallerkennung zu verbessern.

Weisen Sie für jede Aktivität eine ID zu, und beschreiben Sie die Aktivitäten so detailliert wie möglich. Legen Sie dann den Zeitraum für jede auszuführende Aktivität fest. Definieren Sie den Typ der menschlichen Stürze, und weisen Sie eine ID zu, und beschreiben Sie jeden Fall für jede Aktivität zusammen mit dem Zeitraum für jeden Fall, der ausgeführt werden soll.

Überlegen Sie, ob die Stürze von den Probanden selbst generiert oder von anderen generiert werden, und schreiben Sie diese Informationen auf das Planungsblatt. Um die Aktivitäts- und Falldaten zu sammeln, platzieren Sie die Aufnahmegeräte wie dargestellt auf dem Motiv. Wenn das Subjekt bereit ist, unter der Aufsicht eines klinischen Sachverständigen oder eines verantwortlichen Forschers, starten Sie die Datensammlung im Datenerfassungssystem und bitten Sie den Betreffenden, die Im Planungsblatt beschriebenen Aktivitäten und Stürze auszuführen, die die Zeitstempel des Beginns und des Endes jeder Aktivität oder jeden Falls speichern.

Stellen Sie sicher, dass die Daten aus allen Informationsquellen nach jeder Aktivität oder jedem Sturz in der Cloud gespeichert werden. Um die gesammelten Aktivitäts- und Falldaten zu analysieren, verwenden Sie das Feature-Dataset für jede Machine Learning-Methode, um eine K-falten-Kreuzvalidierung auszuführen. Verwenden Sie eine gemeinsame Bewertungsmetrik wie Genauigkeit, um das am besten trainierte Modell pro Methode auszuwählen.

Öffnen Sie anschließend das Trainingsfeature-Dataset in der bevorzugten Programmiersprachensoftware, und verwenden Sie die Pandas-Bibliothek, um eine CSV-Datei wie angegeben zu lesen. Teilen Sie das Feature-Dataset in Paare von Ein-/Ausgängen wie angegeben. Wählen Sie eine Machine Learning-Methode aus, und legen Sie die Parameter fest.

Trainieren Sie das Machine Learning-Modell, und berechnen Sie die Schätzwerte des Modells mithilfe des Test-Feature-Datasets. Wiederholen Sie die K-fache Kreuzvalidierung der Anzahl der In-Prozent-Kreuzvalidierungen für jedes ausgewählte Machine Learning-Modell angegebenen K-fache Kreuzvalidierung. Wählen Sie die geeigneten Platzierungen im multimodalen Ansatz aus, wenn eine Kombination aus zwei oder mehr Informationsquellen für das System erforderlich ist, und wählen Sie die beste Informationsquelle für jede Modalität im System aus.

Erstellen Sie ein kombiniertes Feature-Dataset mit den unabhängigen Datasets dieser Informationsquellen, und wählen Sie die Klassifizierungsmethode für maschinelles Lernen aus. Trainieren Sie ein Modell für diese kombinierten Informationsquellen, und wiederholen Sie die Validierung mithilfe des kombinierten Feature-Datasets. Bereiten Sie dann einen neuen Datensatz mit den Probanden unter realistischeren Bedingungen vor, wobei nur die in der vorherigen Analyse ausgewählten Informationsquellen verwendet werden.

Die grafische Darstellung der besten Leistung, die für jede Modalität je nach Machine Learning-Modell und der besten Fensterlängenkonfiguration erzielt wurde, zeigt deutlich, dass multimodale Ansätze im Vergleich zu einigen unimodalen Ansätzen die besten F1-Score-Werte erzielen. Obwohl insbesondere tragbare Sensoren verwendet werden, kann eine ähnliche Leistung wie ein multimodaler Ansatz erzielt werden. In Bezug auf den Benchmark der datengesteuerten Modelle liefert die zuzufällige Gesamtstruktur die besten Ergebnisse in fast allen Experimenten, während Mehrschicht-Perzeptron- und Unterstützungsvektormaschinen nicht sehr leistungskonsistent sind.

Die beste Leistung wird erzielt, wenn ein einzelner Sensor an der Taille, am Hals oder in der rechten Tasche verwendet wird. Knöchel und linke handgelenk tragbare Sensoren schnitten am schlechtesten ab. Darüber hinaus sind die Taille, der Hals und die engen rechten Taschensensoren mit zufälligem Waldklassifikatin in einer Drei-Sekunden-Fenstergröße mit 50%überlappenden Geräten die am besten geeigneten tragbaren Sensoren für die Sturzerkennung.

Die seitliche Ansichtskamera führt die beste Fallerkennung durch, und die beste Kameraposition ist in einem seitlichen Ansichtspunkt mit zufälliger Gesamtstruktur in einer Fenstergröße von drei Sekunden und 50 % Überlappung. Darüber hinaus zeigt der zufällige Gesamtstrukturmodellklassifier die beste Genauigkeit und F1-Punktzahl sowohl in Multi-Modalitäten als auch die Kombination zwischen Taille und Kamera einS rangiert an der ersten Position. In unseren Experimenten rekrutierten wir junge Menschen ohne Beeinträchtigungen, aber es sollten Themen ausgewählt werden, die mit dem Ziel des Systems und der Zielbevölkerung übereinstimmen, indem wir das System nutzen.

Einfache multimodale Fallerkennungssysteme können auf Der Grundlage dieser Methodik konzipiert und implementiert werden. Für die Anpassung in die Praxis werden Transfer-Learning- und Deep Learning-Ansätze für die Entwicklung robuster Systeme empfohlen.