Projektowanie i analiza w celu uproszczenia systemu wykrywania upadków

Nasza metodologia dodaje ważne etapy, wybór kombinacji czujników, rozmieszczenie i klasyfikację, aby uprościć system wykrywania upadków dzięki dogłębnej analizie. Istnieją wcześniejsze prace, które odnoszą się do niektórych problemów projektowych związanych z wykrywaniem upadków, ale nie ma pracy, która skupiałaby się na holistycznej metodologii przezwyciężania wszystkich tych problemów. Metodologia ta może być również wykorzystywana do rozpoznawania aktywności człowieka w mieszkaniach wspomaganych, ocenie wyników sportowych, fizjoterapii i rehabilitacji.

Podczas tworzenia zestawu danych mogą pojawić się wyzwania związane z synchronizacją, organizacją i niespójnością danych. Należy wziąć pod uwagę kompromis między dokładnym oszacowaniem a złożonością modelu. Procedurę zademonstrują Jose Pablo Nunez Martinez, asystent naukowy oraz Sofia Pacheco Ibanez, studentka inżynierii z naszego laboratorium.

Zacznij od skonfigurowania systemu gromadzenia danych, aby ułatwić gromadzenie i przechowywanie danych podmiotu. Wybierz typy czujników ubieralnych, czujników otoczenia i urządzeń wizyjnych wymaganych jako źródła informacji i przypisz identyfikator dla każdego źródła informacji, liczbę kanałów na źródło, specyfikacje techniczne i częstotliwość próbkowania każdego z nich. Aby połączyć wszystkie źródła informacji z komputerem centralnym lub rozproszonym systemem komputerowym, należy najpierw sprawdzić, czy urządzenia przewodowe są prawidłowo podłączone do jednego komputera klienckiego i czy urządzenia oparte na sieci bezprzewodowej są w pełni naładowane.

Aby skonfigurować każde urządzenie do pobierania danych, należy skonfigurować system akwizycji danych tak, aby zezwalał na przechowywanie danych w chmurze i upewnić się, że system akwizycji danych spełnia odpowiednie właściwości synchronizacji danych i spójności danych. Upewnij się, że wszystkie czujniki zbierają dane w sposób spójny i jednoczesny oraz aby dołączyć etykiety do identyfikacji aktywności i cech obiektu. Zbierz przykładowe dane za pomocą urządzeń i przechowuj je w preferowanym systemie.

Przeszukaj bazę danych i określ, czy wszystkie źródła informacji są zbierane z tą samą częstotliwością próbkowania. Po rozważeniu warunków wymaganych w ograniczeniach nałożonych przez cel systemu, należy skonfigurować środowisko testowe, umieszczając materac lub inne zgodne systemy podłogowe w centrum środowiska, aby zapewnić bezpieczeństwo uczestników. Wszelkie przedmioty należy trzymać w odległości co najmniej jednego metra od materaca i przygotować niezbędne środki ochrony osobistej dla uczestników.

Następnie ustaw odpowiednie kamery i sparuj czujniki podczerwieni wokół materaca, jak pokazano na ilustracji. Zdefiniuj cel systemu wykrywania upadków i rozpoznawania aktywności człowieka na arkuszu planowania i zdefiniuj populację docelową eksperymentu zgodnie z celem systemu. Zdefiniuj rodzaj codziennych czynności, w tym niektóre czynności niezwiązane z upadkami, które wyglądają jak upadki, aby poprawić wykrywanie rzeczywistych upadków.

Przypisz identyfikator do każdej czynności i opisz ją tak szczegółowo, jak to możliwe. Następnie ustaw przedział czasu dla każdej czynności, która ma zostać wykonana. Zdefiniuj rodzaj upadków ludzi i przypisz identyfikator oraz opisz każdy upadek dla każdej czynności wraz z okresem czasu, w którym każdy upadek ma zostać wykonany.

Zastanów się, czy upadki zostaną wygenerowane samodzielnie przez badanych, czy przez innych i zapisz te informacje na arkuszu planowania. Aby zebrać dane dotyczące aktywności i upadku, umieść urządzenia rejestrujące na obiekcie, jak pokazano na ilustracji. Kiedy uczestnik jest gotowy, pod nadzorem eksperta klinicznego lub odpowiedzialnego badacza, rozpocznij zbieranie danych w systemie akwizycji danych i poproś uczestnika o wykonanie sekwencji czynności i upadków nakreślonych w arkuszu planowania, zapisując znaczniki czasu rozpoczęcia i zakończenia każdej czynności lub upadku.

Sprawdź, czy dane ze wszystkich źródeł informacji są zapisywane w chmurze po każdej aktywności lub upadku. Aby przeanalizować zebrane dane dotyczące aktywności i upadków, użyj zestawu danych funkcji dla każdej metody uczenia maszynowego, aby uruchomić krzyżową walidację K-krotności. Użyj typowej metryki oceny, takiej jak dokładność, aby wybrać najlepszy model wytrenowany dla każdej metody.

Następnie otwórz zestaw danych funkcji trenowania w preferowanym oprogramowaniu języka programowania i użyj biblioteki pandas, aby odczytać plik CSV zgodnie ze wskazaniami. Podziel zestaw danych obiektów na pary danych wejściowych/wyjściowych, jak wskazano. Wybierz jedną metodę uczenia maszynowego i ustaw parametry.

Wytrenuj model uczenia maszynowego i oblicz szacowane wartości modelu przy użyciu zestawu danych funkcji testowania. Powtórz krzyżową walidację K-krotności, ile razy K jest określona w K-krotnej krzyżowej walidacji dla każdego wybranego modelu uczenia maszynowego. Należy wybrać odpowiednie miejsca w podejściu multimodalnym, jeżeli dla systemu wymagane jest połączenie dwóch lub więcej źródeł informacji, i wybrać najlepsze źródło informacji dla każdej modalności w systemie.

Utwórz połączony zestaw danych obiektów, korzystając z niezależnych zestawów danych tych źródeł informacji, a następnie wybierz metodę klasyfikacji uczenia maszynowego. Wytrenuj model dla tych połączonych źródeł informacji i powtórz walidację przy użyciu połączonego zestawu danych funkcji. Następnie przygotuj nowy zestaw danych z osobami badanymi w bardziej realistycznych warunkach, korzystając tylko ze źródeł informacji wybranych w poprzedniej analizie.

Graficzna reprezentacja najlepszych wyników uzyskanych dla każdej modalności w zależności od modelu uczenia maszynowego i najlepszej konfiguracji długości okna wyraźnie pokazuje, że podejścia multimodalne uzyskują najlepsze wartości punktów F1 w porównaniu z niektórymi podejściami unimodalnymi. Chociaż w szczególności wykorzystuje się wyłącznie czujniki ubieralne, można uzyskać wydajność podobną do podejścia multimodalnego. Jeśli chodzi o test porównawczy modeli opartych na danych, las losowy prezentuje najlepsze wyniki w prawie wszystkich eksperymentach, podczas gdy wielowarstwowe maszyny perceptronowe i wektory nośne nie są zbyt spójne pod względem wydajności.

Najlepszą wydajność uzyskuje się, gdy pojedynczy czujnik jest używany w pasie, szyi lub ciasnej prawej kieszeni. Najgorzej wypadły czujniki noszone na kostce i lewym nadgarstku. Ponadto czujniki w talii, szyi i ciasnej prawej kieszeni z klasyfikatorem losowych lasów w trzysekundowym rozmiarze okna z 50% zachodzeniem na siebie są najbardziej odpowiednimi czujnikami do noszenia do wykrywania upadków.

Kamera widoku bocznego zapewnia najlepsze wykrywanie upadków, a najlepsza lokalizacja kamery to boczny punkt widzenia przy użyciu losowego lasu w trzysekundowym rozmiarze okna i 50% nakładaniu się. Ponadto klasyfikator losowego modelu lasu wykazuje najlepsze wyniki w zakresie dokładności i wyniku F1 zarówno w multimodalnościach, jak i połączeniu talii i kamery, które plasują się na pierwszej pozycji. W naszych eksperymentach rekrutowaliśmy młodych ludzi bez upośledzeń, ale osoby powinny być wybierane tak, aby były zgodne z celem systemu i populacją docelową korzystającą z systemu.

W oparciu o tę metodologię można projektować i wdrażać proste multimodalne systemy wykrywania upadków. W przypadku adaptacji do świata rzeczywistego zaleca się podejście oparte na uczeniu transferowym i uczeniu głębokim w celu opracowania solidnych systemów.