.png){kind=icon}
返回
GATE: Gated Attention Technology for Ensemble-Based Fall Detection
.png){kind=icon}
PRE
AI
DOI：10.1142/S0218126626500623.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
跌倒检测系统（FDS）通常依赖加速度计和陀螺仪数据来识别跌倒事件，并常采用交叉注意力机制来探索这些模态之间的互补关系。然而，在实际场景中，这种关系的强度可能存在变化，当模态表现出弱互补性时会导致次优的特征表示。为解决此问题，我们提出了GATE（基于集成跌倒检测的门控注意力技术），该技术结合卷积神经网络（CNNs）与自注意力和交叉注意力机制，用于鲁棒的特征提取与融合。带有自注意力的CNNs捕获模态内部特征，而交叉注意力机制提取模态间的交互。一种新颖的门控机制评估模态间互补关系的强度，并自适应地选择交叉注意力或原始特征，以减轻噪声或无关信息的影响。最后，融合后的特征通过分类层区分跌倒事件与日常生活活动。在两个基准数据集上的广泛实验验证了GATE的有效性。在MobiFall数据集上，GATE达到98.89%的准确率、96.45%的特异度、98.90%的灵敏度以及97.66%的F1分数。在MobiAct数据集上，其准确率进一步提升至99.88%，特异度为99.78%，灵敏度为99.40%，F1分数为99.59%。
Keyword:
Fall detection system (FDS)
attention model
cross attention
dynamic attention
ensemble model
期刊
IF:
1
论文数:
387
被引数:
2.3K
机构
引用论文
A Study on the Application of Convolutional Neural Networks to Fall Detection Evaluated with Multiple Public Datasets.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏Human activity detection using smartphone sensor data in real-time based on deep learning approaches
PREAI
分享收藏Accelerometer-Based Human Fall Detection Using Convolutional Neural Networks基于卷积神经网络的加速度计人体跌倒检测SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏Self-reported falls and fall-related injuries among persons aged ≥ 65 years -: United States, 2006
PREAI
分享收藏
查看更多内容