An Event-Triggered Machine Learning Approach for Accelerometer-Based Fall Detection

doi:10.3390/s18010020

2017-12-22

DOI：10.3390/s18010020

原文链接

查看原文

摘要

En 中文

固定大小的非重叠滑动窗口 (FNSW) 和固定大小的重叠滑动窗口 (FOSW) 方法是使用加速度计传感器的基于机器学习的跌倒检测中最常用的数据分割技术。然而，这些技术没有按下降阶段 (冲击前、冲击和冲击后) 分段，因此丢失了有用的信息，这可能降低分类器的检测率。将段与下降阶段对准是困难的，因为段大小变化。我们提出了一种事件触发机器学习 (event-ML) 方法，该方法使每个跌倒阶段对齐，以便更容易识别跌倒阶段的特征。为了评估我们的方法，使用了两个可公开访问的数据集。分类和回归树 (CART)，k最近邻 (k-nn)，逻辑回归 (LR) 和支持向量机 (SVM) 用于训练分类器。EvenT-ML为胸部佩戴的传感器提供了98% 的分类器F分数，为腰部佩戴的传感器提供了92% 的分类器F分数，并且与基于FNSW和FOSW的方法相比，显着降低了计算成本，分别减少了8倍和78倍。事件-ML实现了比现有的跌倒检测方法显著更好的F分数。这些结果表明，将特征段与下降阶段对齐可显着提高检测率并降低计算成本。

Keyword:

fall detection

accelerometer sensors

segmentation technique

fall stages

machine learning

computational cost

AI总结

对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。

期刊

Sensors

IF:

3.5

论文数:

7.2W

被引数:

20.9W

机构

Macquarie University

学者数:

1.2W

论文数: 1.5W

被引数: 2.2W

Coventry University

学者数:

3.5K

论文数: 4.1K

被引数: 5.2K

引用论文

Pandemic fatigue impedes mitigation of COVID-19 in Hong Kong

IF0

2021-06-10

OAAI

Zhanwei Du; Lin Wang; Songwei Shan; Dickson Lam; Tim Tsang; Jingyi Xiao; Huizhi Gao; Bingyi Yang; Sheikh Taslim Ali; Sen Pei; Isaac Chun-Hai Fung; Eric H. Y. Lau; Qiuyan Liao; Peng Wu; Lauren Meyers; Gabriel M. Leung; Benjamin J. Cowling

Associations between Early Childhood Temperament Clusters and Later Psychosocial Adjustment

Merrill-Palmer Quarterly

IF0

2008-01-01

PREAI

Ann Sanson; Primrose Letcher; Diana Smart; Margot Prior; John W. Toumbourou; Frank Oberklaid

Influence of the exchange current density and overpotential for hydrogen evolution reaction on the shape of electrolytically produced disperse forms - Review

Journal of Electrochemical Science and Engineering

IF0

2020-03-09

OAAI

Nebojša D. Nikolić