.png){kind=icon}
返回
Fall prediction algorithm with built-in instability metrics
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jbiomech.2025.113066.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文介绍了一个利用计算机视觉来监测人体姿态并预测跌倒的人工智能（AI）平台。通常，与跌倒检测系统相比，基于摄像头的跌倒预测系统很少被研究，因为跌倒代表着一个非线性、时间依赖性的挑战。这种复杂性在尝试在非受控环境中预测跌倒时尤为突出。此外，隐私担忧以及需要安装昂贵摄像头或传感器被认为是基于摄像头的系统的主要限制。为解决这一差距，我们介绍了提取与摄像头类型无关的新特征，这有助于消除对高成本摄像头的需求，且无需进行广泛的房间改造或为用户添加身体标记或可穿戴传感器即可提高预测准确率。在本研究中，我们使用了一款4 K AKASO摄像头记录不同的跌倒场景，并从这些视频中提取特征。这些特征包括关键标志点、质心位置以及身体部位的角位置。结果显示，该系统能够以约91%的准确率准确预测跌倒。此外，特征重要性分析突出了所提取特征的重要性，表明这些特征对跌倒发生前长达两秒的预测有显著影响，这比当前的单摄像头系统快三倍。
Keyword:
Fall prediction
Long short-term memory
Camera based system
Posture monitoring
期刊
J
IF:
2.4
论文数:
306
被引数:
3.1W
机构
引用论文
分享收藏Smartphone-Based Solutions for Fall Detection and Prevention: Challenges and Open Issues.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏分享收藏HMM-Based Human Fall Detection and Prediction Method Using Tri-Axial Accelerometer基于HMM的三轴加速度计人体跌倒检测与预测方法IEEE SENSORS JOURNAL
IEEE SENSORS JOURNALIF4.5
PREAI
分享收藏
Consumption Analysis of Smartphone based Fall Detection Systems with Multiple External Wireless SensorsSENSORSOAAI
SENSORSIF3.5
OAAI分享收藏
查看更多内容