基于特征自動(dòng)提取的跌倒檢測(cè)算法*

胡雙杰,秦建邦,郭 薇

(上海交通大學(xué)區(qū)域光纖通信網(wǎng)與新型光通信系統(tǒng)國家重點(diǎn)實(shí)驗(yàn)室,上海 200240)

跌倒是導(dǎo)致老年人受傷甚至死亡的主要原因[1]。研究表明,在65歲以上的老年人中,有三分之一的人每年至少經(jīng)歷一次跌倒[2],其中4%～15%的跌倒會(huì)導(dǎo)致嚴(yán)重的受傷。而在與受傷相關(guān)的老年人死亡案例中,有23%～40%是由跌倒引起的[3]。雖然我們很難避免跌倒的發(fā)生,但如果能準(zhǔn)確的檢測(cè)到跌倒情況,并及時(shí)發(fā)出求救信號(hào),可以有效降低嚴(yán)重受傷或死亡發(fā)生的概率。

隨著智能手機(jī)、智能腕表等可穿戴設(shè)備的快速發(fā)展,基于可穿戴傳感器的跌倒檢測(cè)系統(tǒng)吸引了越來越多的關(guān)注。與其他基于環(huán)境設(shè)備(如攝像頭[4]、體感傳感器[5]、WiFi[6]等)的跌倒檢測(cè)系統(tǒng)相比,可穿戴傳感器(如加速度計(jì)、陀螺儀、方向計(jì)等)可以被隨身攜帶,實(shí)現(xiàn)全天候全方位的監(jiān)測(cè),因此在實(shí)際生活中具有更廣泛的使用價(jià)值。另外,攝像頭等設(shè)備設(shè)計(jì)用戶隱私問題,部分老年人不希望受到攝像頭的監(jiān)視,而可穿戴傳感器則較好的避免了這個(gè)問題。

閾值法和機(jī)器學(xué)習(xí)分類算法是目前使用較多的跌倒檢測(cè)方法。閾值法通過設(shè)置一個(gè)或多個(gè)閾值來檢測(cè)跌倒[7]。當(dāng)接收信號(hào)超過(或低于)預(yù)設(shè)閾值,便判斷為一次跌倒。機(jī)器學(xué)習(xí)方法利用訓(xùn)練數(shù)據(jù)訓(xùn)練分類算法模型(如支持向量機(jī)、決策樹、K近鄰算法等),并利用訓(xùn)練好的模型對(duì)新的數(shù)據(jù)進(jìn)行分類判斷。上述兩種方法都依賴于人工設(shè)計(jì)提取的特征來區(qū)分跌倒和非跌倒數(shù)據(jù)。特征主要通過對(duì)原始信號(hào)在時(shí)域或頻域的統(tǒng)計(jì)分析得到。劉鵬等人[8]提取加速度信號(hào)幅度向量SVM作為考察人體活動(dòng)強(qiáng)度的特征。Sucerquia等人[9]選擇了兩個(gè)基于能量熵的特征作為分類算法的輸入。Vavoulas等人[7]共提取了均值、中值、標(biāo)準(zhǔn)差、能量熵等57個(gè)特征以更好的反映信號(hào)的變化情況。

盡管這些人工設(shè)計(jì)提取的特征可以在特定的數(shù)據(jù)集上表現(xiàn)出較好的性能,但仍然存在著一些問題。第一,特征工程要求研究人員具有人體運(yùn)動(dòng)學(xué)方面的專業(yè)知識(shí),以尋找合適的特征。然而生活中有許多與跌倒過程十分相似的運(yùn)動(dòng)(如坐下,躺下等),要人為設(shè)計(jì)能夠完全區(qū)分這些運(yùn)動(dòng)狀態(tài)的特征是一項(xiàng)困難的工作;第二,如果提取的特征不合適,會(huì)導(dǎo)致原始數(shù)據(jù)中重要信息的丟失,這會(huì)影響算法最終的識(shí)別精確度;第三,特征值的計(jì)算占據(jù)了算法大部分的運(yùn)行時(shí)間。Inoue等人[10]的實(shí)驗(yàn)結(jié)果表明,特征提取部分至少需要11 ms的時(shí)間,而算法的分類判斷部分僅需1 ms。在傳感器采樣頻率較高的情況下(如100 Hz以上),算法中特征計(jì)算部分消耗的時(shí)間會(huì)影響系統(tǒng)的實(shí)時(shí)性。

為解決上述問題,提高跌倒檢測(cè)算法的精確度和實(shí)時(shí)性,本文使用深度學(xué)習(xí)模型代替閾值法或傳統(tǒng)機(jī)器學(xué)習(xí)分類算法,提出了一種基于長短期記憶LSTM(Long Short-Term Memory)循環(huán)神經(jīng)網(wǎng)絡(luò)RNN(Recurrent Neural Network)的跌倒檢測(cè)算法。模型包含輸入層、非線性激活層、兩層級(jí)聯(lián)的LSTM隱藏層以及Softmax分類器。算法首先利用滑動(dòng)時(shí)間窗獲取傳感器數(shù)據(jù),原始數(shù)據(jù)經(jīng)過簡(jiǎn)單的預(yù)處理便可直接作為模型的輸入。神經(jīng)網(wǎng)絡(luò)通過對(duì)訓(xùn)練數(shù)據(jù)集迭代的學(xué)習(xí)尋找出合適的數(shù)據(jù)特征,并最終輸出其對(duì)輸入數(shù)據(jù)類別的判斷(跌倒或非跌倒),實(shí)現(xiàn)端到端的處理。

我們使用兩個(gè)公開數(shù)據(jù)集MobiAct[11]和SisFall[12]對(duì)算法性能進(jìn)行評(píng)估。MobiAct數(shù)據(jù)集利用智能手機(jī)內(nèi)置的加速度計(jì),陀螺儀和方向計(jì)采集人體運(yùn)動(dòng)過程中的信號(hào),手機(jī)被隨機(jī)放置于志愿者任意一側(cè)的褲袋中,且不規(guī)定手機(jī)放置的方向。而SisFall數(shù)據(jù)集利用固定在志愿者腰部的嵌入式設(shè)備采集加速度計(jì)和陀螺儀信號(hào)。為保證運(yùn)動(dòng)類型的完善,兩個(gè)數(shù)據(jù)集都采集了多種跌倒與非跌倒運(yùn)動(dòng)類型的數(shù)據(jù)。

1 基于LSTM的跌倒檢測(cè)算法

1.1 LSTM網(wǎng)絡(luò)結(jié)構(gòu)

LSTM網(wǎng)絡(luò)是一種門控循環(huán)神經(jīng)網(wǎng)絡(luò)(Gated RNN)。該模型除了外部的RNN循環(huán)外,還具有內(nèi)部的“記憶細(xì)胞”循環(huán),即自循環(huán)。引入自循環(huán)的思想,可以產(chǎn)生梯度信息長時(shí)間持續(xù)流動(dòng)的路徑,從而解決普通循環(huán)神經(jīng)網(wǎng)絡(luò)優(yōu)化過程中存在的長期依賴(Long-Term Dependencies)問題[13,14]。因此,相比于普通RNN,LSTM網(wǎng)絡(luò)更適合處理較長的時(shí)間序列數(shù)據(jù)。

LSTM的結(jié)構(gòu)圖如圖1所示。其中最重要的組成部分是記憶細(xì)胞,它所存儲(chǔ)的狀態(tài)貫穿于整個(gè)網(wǎng)絡(luò),只進(jìn)行少量的線性交互,這樣可以保證梯度信息在長期傳播過程中保持穩(wěn)定[15]。另外LSTM中還包括3個(gè)門控單元(一種讓信息選擇性通過的結(jié)構(gòu)):“遺忘門”決定需要從細(xì)胞狀態(tài)中丟棄的信息;“輸入門”確定添加到細(xì)胞中的新信息;“輸出門”確定最終的輸出。

圖1 LSTM內(nèi)部結(jié)構(gòu)圖

神經(jīng)元在t時(shí)刻的輸出響應(yīng)ht由該時(shí)刻的輸入xt和前一時(shí)刻的輸出響應(yīng)ht-1共同決定:

ht=θ(Wxixt+Whhht-1+bh)

(1)

式中:θ(·)表示激活函數(shù),bh表示偏置向量,Wxh表示輸入與神經(jīng)元之間的權(quán)值矩陣,Whh表示神經(jīng)元內(nèi)部自循環(huán)的循環(huán)權(quán)值矩陣。神經(jīng)元內(nèi)各部分在t時(shí)刻的具體運(yùn)算如下:

it=σ(Wxixt+Whiht-1+Wcict-1+bi)

(2)

ft=σ(Wxfxt+Whfht-1+Wcfct-1+bf)

(3)

ct=ft?ct-1+it?tanh(Wxcxt+Whcht-1+bc)

(4)

ot=σ(Wxoxt+Whoht-1+Wcoct-1+bo)

(5)

ht=ot?tanhct

(6)

式中:?表示向量之間的哈達(dá)瑪積,σ(·)表示sigmoid函數(shù):σ(x)=1/(1+e-x),W**表示任意兩個(gè)單元之間的權(quán)值矩陣,b*表示某一單元的偏置。

1.2 跌倒檢測(cè)模型設(shè)計(jì)

為實(shí)現(xiàn)從原始傳感器數(shù)據(jù)到最終判斷結(jié)果的端到端處理,本文設(shè)計(jì)了一個(gè)基于LSTM網(wǎng)絡(luò)的跌倒檢測(cè)模型。模型結(jié)構(gòu)如圖2所示,它主要由4個(gè)部分組成:

①輸入層:接收來自三軸加速度計(jì)和三軸陀螺儀的時(shí)間序列數(shù)據(jù)。通過滑動(dòng)時(shí)間窗對(duì)原始數(shù)據(jù)進(jìn)行序列化分割處理后,截取得到包含n個(gè)采樣點(diǎn)的數(shù)據(jù)x=[x0,x1,…,xt,…,xn-1]作為后續(xù)網(wǎng)絡(luò)的輸入,其中n表示數(shù)據(jù)的長度(亦即滑動(dòng)時(shí)間窗覆蓋的采樣點(diǎn)數(shù)),xt=[xt_accx,xt_accy,xt_accz,xt_gyrox,xt_gyroy,xt_gyroz]為t時(shí)刻的數(shù)據(jù)。因此x是維度為[6,n]的二維向量。

②非線性層:我們?cè)谳斎雽优cLSTM隱藏層中間加入了非線性激活層,目的是引入更多的非線性特征,從而更好的反映數(shù)據(jù)的變化規(guī)律。該層的輸出可表示為:

rt=ReLU(WNxt+bN)

(7)

式中:ReLU(·)為激活函數(shù),WN表示該層的權(quán)值矩陣,bN為偏置向量。

③LSTM隱藏層:模型中包含兩層級(jí)聯(lián)的LSTM網(wǎng)絡(luò)。根據(jù)式(1)和式(2)～(6),網(wǎng)絡(luò)對(duì)輸入數(shù)據(jù)進(jìn)行了一系列的線性與非線性變換。兩層級(jí)聯(lián)的結(jié)構(gòu)可以保證模型能夠?qū)W習(xí)到足夠豐富的特征。具體而言,網(wǎng)絡(luò)內(nèi)部的權(quán)值矩陣在訓(xùn)練階段不斷迭代更新,直到接近最佳值。這些權(quán)值代表了模型從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)提取到的特征,能夠反映時(shí)間序列變化的規(guī)律。但由于這些權(quán)值并不具有顯示的意義,我們將這樣的網(wǎng)絡(luò)層成為隱藏層。

④Softmax分類器:對(duì)經(jīng)過神經(jīng)網(wǎng)絡(luò)處理的數(shù)據(jù)進(jìn)行分類判斷(跌倒或非跌倒)。分類器由兩部分組成:首先通過一層線性變化計(jì)算輸入數(shù)據(jù)屬于某一類的未歸一化概率:

z=Wchn-1+bc

(8)

式中:Wc表示該層的權(quán)值矩陣,hn-1為LSTM隱藏層的輸出,bc表示偏置向量;然后根據(jù)式(9)將概率值歸一化,并將預(yù)測(cè)概率最大的一類作為最終的輸出結(jié)果:

(9)

此處pi表示各類別的歸一化概率值,C為類別數(shù)(本文中C=2)。

圖2 跌倒檢測(cè)神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

1.3 模型訓(xùn)練策略

模型的損失函數(shù)定義為:

(10)

顯然,損失函數(shù)的值越小,表明模型的預(yù)測(cè)結(jié)果越準(zhǔn)確。我們利用梯度下降法迭代地尋找損失函數(shù)的最小值,每一步迭代后通過反向傳播更新網(wǎng)絡(luò)中的權(quán)值ω,使得模型不斷優(yōu)化。損失函數(shù)的梯度L可以表示為:

(11)

梯度下降法在損失函數(shù)的負(fù)梯度方向上迭代地尋找局部最優(yōu)解,反向傳播機(jī)制[16]將每一次迭代的信息傳遞給各網(wǎng)絡(luò)層的權(quán)值矩陣ω,并根據(jù)式(12)更新矩陣:

ωt=ωt-1-εL

(12)

此處ε表示每次迭代的學(xué)習(xí)率。為使模型的訓(xùn)練更加快速而穩(wěn)定,我們采用了衰退學(xué)習(xí)率:

ε=(εsrd)ec/ed

(13)

式中:εs為初始學(xué)習(xí)率,rd表示衰退率,ec為當(dāng)前訓(xùn)練的迭代次數(shù),ed則是預(yù)設(shè)的超參數(shù),可控制學(xué)習(xí)率衰退的快慢。衰退學(xué)習(xí)率會(huì)隨著迭代次數(shù)的增加而減小,因此,在訓(xùn)練初期,學(xué)習(xí)率較大,模型可以快速地接近最優(yōu)解;而在訓(xùn)練后期,學(xué)習(xí)率逐漸變小,模型的訓(xùn)練也趨于穩(wěn)定,最終收斂于最優(yōu)解附近。

2 實(shí)驗(yàn)及結(jié)果分析

2.1 實(shí)驗(yàn)數(shù)據(jù)集

我們使用兩個(gè)公開數(shù)據(jù)集測(cè)試模型的精確度和時(shí)延。第1個(gè)數(shù)據(jù)集為MobiAct。該數(shù)據(jù)集使用Samsung Galaxy S3智能手機(jī)內(nèi)置的LSM330DLC慣性傳感器模塊采集志愿者運(yùn)動(dòng)過程中的三軸加速度計(jì)、陀螺儀及方向計(jì)數(shù)據(jù),采樣頻率設(shè)置為200 Hz。數(shù)據(jù)集采集自66名志愿者(51名男性,15名女性,年齡分布為20至47歲),包含了4種不同類型的跌倒姿勢(shì)和12種不同類型的非跌倒運(yùn)動(dòng)。智能手機(jī)被隨機(jī)放置于志愿者任意一側(cè)的褲袋中,且不規(guī)定手機(jī)放置的方向。利用時(shí)間窗對(duì)數(shù)據(jù)集進(jìn)行序列化預(yù)處理后,我們共得到7 633例非跌倒數(shù)據(jù)和767例跌倒數(shù)據(jù)。

第2個(gè)數(shù)據(jù)集為SisFall,該數(shù)據(jù)集使用可穿戴嵌入式設(shè)備采集志愿者運(yùn)動(dòng)過程中的三軸加速度計(jì)、陀螺儀數(shù)據(jù),采樣頻率同樣為200 Hz,設(shè)備被固定在志愿者的腰部。38名志愿者被分為兩組:23名年輕志愿者及1名60歲的柔道運(yùn)動(dòng)員提供了15種跌倒姿勢(shì)和19種非跌倒運(yùn)動(dòng)數(shù)據(jù);其余14名老年志愿者只提供15種非跌倒運(yùn)動(dòng)數(shù)據(jù)。利用時(shí)間窗對(duì)數(shù)據(jù)集進(jìn)行序列化預(yù)處理后,我們共得到3 753例非跌倒數(shù)據(jù)和1 798例跌倒數(shù)據(jù)。

一次跌倒過程的持續(xù)時(shí)間一般為10 s左右,為保證時(shí)間窗截取到完整的跌倒過程,同時(shí)結(jié)合兩個(gè)數(shù)據(jù)集各自的樣本時(shí)長,我們對(duì)MobiAct采用時(shí)長為8 s的時(shí)間窗,對(duì)SisFall采用時(shí)長為12 s的時(shí)間窗。

圖3展示了典型的跌倒與非跌倒運(yùn)動(dòng)的加速度、角速度信號(hào)變化情況。

圖3 跌倒與非跌倒運(yùn)動(dòng)(步行、慢跑、坐下)的 加速度、角速度信號(hào)變化情況

2.2 評(píng)估指標(biāo)

跌倒檢測(cè)屬于二分類問題,模型只需分辨跌倒和非跌倒運(yùn)動(dòng)兩種類別即可。二分類模型的判斷結(jié)果可能存在以下4種情況[17]:

①TP(True Positive):跌倒發(fā)生且系統(tǒng)成功檢測(cè)到,屬正確判斷;②TN(True Negative):未發(fā)生跌倒且系統(tǒng)未檢測(cè)到跌倒,屬正確判斷;③FP(False Positive):未發(fā)生跌倒但系統(tǒng)仍然檢測(cè)到,屬誤判;④FN(False Negative):跌倒發(fā)生但系統(tǒng)未檢測(cè)到,屬漏判。

根據(jù)以上4種情況,可以得到ACC(accuracy)、SEN(sensitivity)和SPE(specificity)3種模型評(píng)估指標(biāo):

(14)

(15)

(16)

ACC反映了模型的總體精確度,SEN反映了模型識(shí)別跌倒的能力,SPE反映了模型識(shí)別非跌倒運(yùn)動(dòng)的能力。

另外,算法的時(shí)延同樣是一個(gè)重要的評(píng)估指標(biāo),它反映了算法的時(shí)間復(fù)雜度。較低的時(shí)延可以保證系統(tǒng)能夠在較高的采樣頻率下運(yùn)行。

2.3 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析

本實(shí)驗(yàn)使用TensorFlow深度學(xué)習(xí)框架搭建了跌倒檢測(cè)神經(jīng)網(wǎng)絡(luò)模型,并使用實(shí)驗(yàn)數(shù)據(jù)集檢驗(yàn)?zāi)Ｐ偷木_度和時(shí)延。實(shí)驗(yàn)在個(gè)人電腦上完成,處理器型號(hào)為Intel core i5。網(wǎng)絡(luò)模型的超參數(shù)設(shè)置如表1所示。經(jīng)過實(shí)驗(yàn)比較,在這些參數(shù)值下模型的收斂速度較快,訓(xùn)練精確度也較高。

表1 跌倒檢測(cè)神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置

兩個(gè)實(shí)驗(yàn)數(shù)據(jù)集均被隨機(jī)劃分為兩部分:70%的數(shù)據(jù)作為訓(xùn)練集,其余30%的數(shù)據(jù)作為測(cè)試集。訓(xùn)練過程中,每一輪迭代時(shí)將1/7的訓(xùn)練集數(shù)據(jù)作為驗(yàn)證集,測(cè)試模型的泛化能力。為提高模型訓(xùn)練的效果和效率,我們對(duì)數(shù)據(jù)進(jìn)行了簡(jiǎn)單的預(yù)處理。首先我們將原始數(shù)據(jù)減采樣至50 Hz以減少計(jì)算量,并對(duì)數(shù)據(jù)作歸一化處理以加快模型訓(xùn)練的收斂速度。

圖4以混淆矩陣的形式展示了LSTM網(wǎng)絡(luò)模型在兩組測(cè)試集上的表現(xiàn)。盡管MobiAct數(shù)據(jù)集中的跌倒與非跌倒樣本比例嚴(yán)重失衡(約為1/10),但最終在包含2 520個(gè)測(cè)試樣本的測(cè)試集上判斷錯(cuò)誤的樣本數(shù)僅為8例(4次誤判,4次漏判);同樣,在SisFall數(shù)據(jù)集的1167例測(cè)試數(shù)據(jù)上,模型判斷錯(cuò)誤的樣本數(shù)僅為7例(3次誤判,4次漏判)。較低的誤報(bào)率和漏報(bào)率說明算法在兩個(gè)數(shù)據(jù)集上都表現(xiàn)出了較高的識(shí)別精確度。

圖4 算法在MobiAct和SisFall測(cè)試集上的混淆矩陣

表2從精確度和時(shí)延兩方面進(jìn)一步評(píng)估了算法的性能。作為比較,我們測(cè)試了其他深度學(xué)習(xí)模型的性能,比較模型包括一個(gè)兩層的卷積神經(jīng)網(wǎng)絡(luò)(CNN),一個(gè)兩層的循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)以及一個(gè)CNN-LSTM混合網(wǎng)絡(luò)。其中RNN和CNN-LSTM中的LSTM部分的參數(shù)設(shè)置與表1所列相同;CNN和CNN-LSTM中的CNN部分采用了維度為[1,50]的一維卷積核,其余參數(shù)與表1一致。

由表2數(shù)據(jù)可知,本文提出的LSTM網(wǎng)絡(luò)在MobiAct和SisFall數(shù)據(jù)集上都達(dá)到了較高的精確度,其中ACC分別為99.68%,99.58%;SEN分別為98.24%,99.27%;SPE分別為99.83%,99.73%。同時(shí),算法時(shí)延可以保持在2.2 ms以內(nèi)(分別為1.221 ms,2.164 ms)。CNN網(wǎng)絡(luò)和CNN-LSTM網(wǎng)絡(luò)同樣可以在數(shù)據(jù)集上達(dá)到較高的精確度,但它們的時(shí)延要大于LSTM。尤其是CNN-LSTM網(wǎng)絡(luò),雖然其精確度與LSTM網(wǎng)絡(luò)相近,但時(shí)延遠(yuǎn)遠(yuǎn)大于后者(16 ms以上),這在采樣頻率較高的情況下會(huì)影響系統(tǒng)的實(shí)時(shí)運(yùn)行。RNN網(wǎng)絡(luò)的時(shí)延要小于LSTM網(wǎng)絡(luò),這是因?yàn)镽NN的結(jié)構(gòu)比LSTM簡(jiǎn)單,網(wǎng)絡(luò)內(nèi)部的參數(shù)更少,計(jì)算更加快速。但它的精確度相比于其他網(wǎng)絡(luò)下降了許多,ACC僅為96%左右,SEN甚至降到了91%左右。這說明普通的RNN網(wǎng)絡(luò)不適合處理較長的時(shí)間序列數(shù)據(jù)。綜上所述,本文提出的跌倒檢測(cè)網(wǎng)絡(luò)可以更好的平衡精確度和時(shí)延兩方面的性能。

SEN反映了算法識(shí)別跌倒數(shù)據(jù)的能力。在實(shí)際使用中,我們不希望漏報(bào)任何一次跌倒,因此算法的SEN顯得尤為重要。在表2中,MobiAct數(shù)據(jù)集上的SEN均低于SisFall數(shù)據(jù)集,這主要是MobiAct數(shù)據(jù)集中跌倒與非跌倒樣本比例不均衡導(dǎo)致的。這也提醒我們?cè)趯?shí)際應(yīng)用中,應(yīng)盡量保證訓(xùn)練數(shù)據(jù)集正負(fù)樣本比例的均衡。

3 結(jié)論

本文提出了一種基于可穿戴傳感器的LSTM跌倒檢測(cè)神經(jīng)網(wǎng)絡(luò)模型。通過滑動(dòng)時(shí)間窗截取時(shí)間序列傳感器信息(包括加速度、角速度等信息),原始數(shù)據(jù)只需進(jìn)行歸一化等預(yù)處理便可作為模型的輸入。神經(jīng)網(wǎng)絡(luò)通過訓(xùn)練自動(dòng)學(xué)習(xí)并提取數(shù)據(jù)內(nèi)部的特征,再利用分類器判斷是否為跌倒數(shù)據(jù)。該方法省去了人工的特征提取,實(shí)現(xiàn)了從原始數(shù)據(jù)到判斷結(jié)果的端到端處理。我們使用MobiAct和SisFall兩個(gè)跌倒檢測(cè)數(shù)據(jù)集測(cè)試模型的性能。實(shí)驗(yàn)結(jié)果顯示,本文提出的跌倒檢測(cè)模型可以達(dá)到較高的精確度(99.58%～99.68%)和較低的時(shí)延(2.2 ms以內(nèi))。與其他類似模型相比,LSTM跌倒檢測(cè)模型能夠在兩方面性能實(shí)現(xiàn)較好的平衡。

實(shí)驗(yàn)主要使用中青年跌倒數(shù)據(jù)來近似模擬老年人跌倒數(shù)據(jù),實(shí)驗(yàn)結(jié)果驗(yàn)證了所提算法的可行性。但要得到一個(gè)真正適用于老年人跌倒檢測(cè)的模型,還需要采集足夠多的老年人的跌倒數(shù)據(jù)來進(jìn)一步訓(xùn)練優(yōu)化模型,使得模型能夠提取出更適應(yīng)老年人的數(shù)據(jù)特征。

本文的測(cè)試工作主要為離線測(cè)試。目前深度學(xué)習(xí)在基于可穿戴傳感器的跌倒檢測(cè)問題的應(yīng)用尚未得到廣泛的研究。這主要是受限于可穿戴設(shè)備的計(jì)算能力和能耗問題。但是嵌入式神經(jīng)網(wǎng)絡(luò)處理單元(NPU)和針對(duì)嵌入式設(shè)備的輕量級(jí)深度學(xué)習(xí)框架(如TensorFlow Lite)的發(fā)展使得在可穿戴設(shè)備或智能手機(jī)上運(yùn)行神經(jīng)網(wǎng)絡(luò)成為可能。在未來的工作中,我們需要測(cè)試模型的在線使用性能,如在智能手機(jī)上的運(yùn)行效果。算法的能耗也是一個(gè)應(yīng)當(dāng)考慮的因素,我們需要制定一個(gè)低功耗的實(shí)時(shí)運(yùn)行框架,以保證系統(tǒng)的正常使用。