낙하 감지 시스템 단순화를 위한 설계 및 해석

당사의 방법론은 중요한 단계, 센서 조합, 배치 및 분류를 추가하여 깊은 분석을 통해 가을 감지 시스템을 단순화합니다. 일부 가을 감지 설계 문제를 해결하는 이전 작품이 있지만 이러한 모든 문제를 극복하기위한 전체론적 방법론에 초점을 맞춘 작업은 없습니다. 이 방법론은 또한 보조 생활, 스포츠 성능 평가, 물리 치료 및 재활 응용 프로그램에서 인간의 활동 인식에 사용할 수 있습니다.

데이터 집합이 생성되면 동기화, 조직 및 데이터 불일치로 인한 문제가 발생할 수 있습니다. 정확한 추정과 모델 복잡성 간의 절충안을 고려해야 합니다. 절차를 시연하는 것은 호세 파블로 누네즈 마르티네즈, 연구 조교, 소피아 파체코 이바네즈, 우리의 실험실에서 학부 공학 학생이 될 것입니다.

먼저 데이터 수집 시스템을 설정하여 주제 데이터 수집 및 저장을 용이하게 합니다. 정보 소스로 필요한 웨어러블 센서, 주변 센서 및 비전 기반 장치의 유형을 선택하고 각 정보 소스, 소스당 채널 수, 기술 사양 및 각 장치의 샘플링 속도에 대한 ID를 할당합니다. 모든 정보 소스를 중앙 컴퓨터 또는 분산 컴퓨터 시스템에 연결하려면 먼저 와이어 기반 장치가 단일 클라이언트 컴퓨터에 제대로 연결되어 있는지 확인하고 무선 기반 장치가 완전히 충전되었는지 확인합니다.

각 장치를 설정하여 데이터를 검색하려면 데이터 수집 시스템을 설정하여 클라우드의 데이터 저장소를 허용하고 데이터 수집 시스템이 적절한 데이터 동기화 및 데이터 일관성 속성을 충족하는지 확인합니다. 모든 센서가 일관되고 동시에 데이터를 획득하고 있는지 확인하고 피사체 활동 및 특성을 식별하기 위한 라벨을 포함해야 합니다. 장치로 샘플 데이터를 수집하고 데이터를 기본 시스템에 저장합니다.

데이터베이스를 쿼리하고 모든 정보 소스가 동일한 샘플 속도로 수집되는지 확인합니다. 시스템의 목표에 의해 부과되는 제한에 필요한 조건을 고려한 후, 참가자의 안전을 보장하기 위해 매트리스 또는 기타 규정을 준수하는 바닥 시스템을 환경 중앙에 배치하는 테스트 환경을 설정합니다. 매트리스에서 1미터 이상 떨어진 곳에 물건을 보관하고 참가자에게 필요한 개인 보호 장비를 준비하십시오.

그런 다음 적절한 카메라를 설치하고 그림과 같이 매트리스 주변에 적외선 센서를 페어링합니다. 계획 시트에서 가을 검출 및 인간 활동 인식 시스템의 목표를 정의하고 시스템의 목표에 따라 실험의 대상 인구를 정의합니다. 실제 낙하 감지를 개선하기 위해 낙상처럼 보이는 일부 비가을 활동을 포함하여 일상 활동의 유형을 정의합니다.

각 활동에 대해 ID를 할당하고 활동을 가능한 한 자세히 설명합니다. 그런 다음 각 활동이 실행될 기간을 설정합니다. 인간 낙하 유형을 정의하고 ID를 할당하고 각 활동에 대해 각 가을을 각 가을과 실행할 각 낙하 기간을 설명합니다.

폭포가 피사체에 의해 자체 생성되거나 다른 사람에 의해 생성될 지 고려하고 계획 시트에 이 정보를 작성합니다. 활동을 수집하고 데이터를 떨어지게 하려면 기록 장치를 그림대로 피사체에 배치합니다. 대상이 준비되면 임상 전문가 또는 책임 있는 연구원의 감독하에 데이터 수집 시스템에서 데이터 수집을 시작하고 각 활동 또는 가을의 시작 및 끝의 타임스탬프를 절약하는 계획 시트에 설명된 활동 및 낙하 시퀀스를 수행하도록 대상에게 요청합니다.

모든 정보 소스의 데이터가 각 활동 또는 낙하 후 클라우드에 저장되는지 확인합니다. 수집된 활동 및 가을 데이터를 분석하려면 각 기계 학습 방법에 대한 피쳐 데이터 집합을 사용하여 K-fold 교차 유효성 검사를 실행합니다. 정확도와 같은 일반적인 평가 메트릭을 사용하여 메서드당 학습된 최상의 모델을 선택합니다.

다음으로, 선호하는 프로그래밍 언어 소프트웨어에서 교육 기능 데이터 집합을 열고 팬더 라이브러리를 사용하여 표시된 대로 CSV 파일을 읽습니다. 표시된 대로 피쳐 데이터 집합을 입력/출력 쌍으로 분할합니다. 하나의 기계 학습 방법을 선택하고 매개 변수를 설정합니다.

테스트 피쳐 데이터 집합을 사용하여 기계 학습 모델을 학습하고 모델의 추정 값을 계산합니다. 선택한 각 기계 학습 모델에 대해 K접기 교차 유효성 검사에 K가 지정된 횟수에 대한 K-fold 교차 유효성 검사를 반복합니다. 시스템에 두 개 이상의 정보 소스가 조합되어 있는 경우 멀티모달 접근 방식에서 적합한 배치를 선택하고 시스템의 각 양식에 대해 최상의 정보 소스를 선택합니다.

이러한 정보 소스의 독립적인 데이터 집합을 사용하여 결합된 피쳐 데이터 집합을 만들고 기계 학습 분류 방법을 선택합니다. 이러한 결합된 정보 소스에 대한 모델을 학습하고 결합된 피쳐 데이터 집합을 사용하여 유효성 검사를 반복합니다. 그런 다음 이전 분석에서 선택한 정보의 소스만 사용하여 보다 현실적인 조건에서 피사체와 함께 새 데이터 집합을 준비합니다.

기계 학습 모델과 최고의 창 길이 구성에 따라 각 양식에 대해 얻은 최상의 성능을 그래픽으로 표현하면 멀티모달 접근 방식이 일부 유니모달 접근 방식에 비해 최상의 F1 점수 값을 얻을 수 있음을 명확하게 보여줍니다. 웨어러블 센서만 사용하지만 멀티모달 접근 방식과 유사한 성능을 얻을 수 있습니다. 데이터 기반 모델의 벤치마크 측면에서 임의 포리스트는 거의 모든 실험에서 최상의 결과를 제시하며 다층 지각론 및 지원 벡터 기계는 성능면에서 매우 일관성이 없습니다.

단일 센서가 허리, 목 또는 단단한 오른쪽 포켓에 사용될 때 최상의 성능을 얻을 수 있습니다. 발목과 왼쪽 손목 웨어러블 센서는 최악의 성과를 거두었습니다. 또한, 50%가 겹치는 3초 의 창 크기로 무작위 포리스트가 있는 허리, 목 및 타이트한 오른쪽 포켓 센서는 가을 감지에 가장 적합한 웨어러블 센서입니다.

측면 뷰 카메라는 최상의 가을 감지를 수행하며 최고의 카메라 위치는 3초 윈도우 크기와 50%의 중복으로 임의포리스트를 사용하여 측면 뷰 포인트에 있습니다. 또한 무작위 포리스트 모델 분류기는 멀티 모달과 허리와 카메라 의 조합 모두에서 정확도와 F1 점수의 최고의 성능을 발휘하며 1위를 차지합니다. 실험에서 장애가 없는 젊은이들을 모집했지만 시스템을 사용하는 시스템의 목표와 목표 인구에 부합하는 과목을 선택해야 합니다.

간단한 멀티모달 가을 검출 시스템은 이 방법론을 기반으로 설계 및 구현할 수 있습니다. 실제 적응을 위해, 학습 및 딥 러닝 접근 방식을 이전하는 것이 견고한 시스템을 개발하는 데 권장됩니다.