論文の概要: Deep Learning-based Fall Detection Algorithm Using Ensemble Model of
Coarse-fine CNN and GRU Networks
- arxiv url: http://arxiv.org/abs/2304.06335v1
- Date: Thu, 13 Apr 2023 08:30:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-14 15:23:46.691797
- Title: Deep Learning-based Fall Detection Algorithm Using Ensemble Model of
Coarse-fine CNN and GRU Networks
- Title(参考訳): 粗大CNNとGRUネットワークのアンサンブルモデルを用いたディープラーニングによるフォール検出アルゴリズム
- Authors: Chien-Pin Liu, Ju-Hsuan Li, En-Ping Chu, Chia-Yeh Hsieh, Kai-Chun Liu,
Chia-Tai Chan, Yu Tsao
- Abstract要約: 本研究では,大小の畳み込みニューラルネットワークとゲートリカレントユニットを組み合わせたアンサンブルモデルを提案する。
提案したモデルは、それぞれ92.54%、96.13%、94.26%のリコール、精度、Fスコアを達成する。
- 参考スコア(独自算出の注目度): 7.624051346741515
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Falls are the public health issue for the elderly all over the world since
the fall-induced injuries are associated with a large amount of healthcare
cost. Falls can cause serious injuries, even leading to death if the elderly
suffers a "long-lie". Hence, a reliable fall detection (FD) system is required
to provide an emergency alarm for first aid. Due to the advances in wearable
device technology and artificial intelligence, some fall detection systems have
been developed using machine learning and deep learning methods to analyze the
signal collected from accelerometer and gyroscopes. In order to achieve better
fall detection performance, an ensemble model that combines a coarse-fine
convolutional neural network and gated recurrent unit is proposed in this
study. The parallel structure design used in this model restores the different
grains of spatial characteristics and capture temporal dependencies for feature
representation. This study applies the FallAllD public dataset to validate the
reliability of the proposed model, which achieves a recall, precision, and
F-score of 92.54%, 96.13%, and 94.26%, respectively. The results demonstrate
the reliability of the proposed ensemble model in discriminating falls from
daily living activities and its superior performance compared to the
state-of-the-art convolutional neural network long short-term memory (CNN-LSTM)
for FD.
- Abstract(参考訳): 転倒によって引き起こされたケガは、医療費の多さと関連しているため、世界中の高齢者にとって、転倒は公衆衛生上の問題となっている。
転倒は重傷を負い、高齢者が「長い道」に苦しむ場合でさえも重傷を負う。
そのため、緊急警報を救急に提供するために、信頼性の高い転倒検知(fd)システムが必要となる。
ウェアラブルデバイス技術や人工知能の進歩により、加速度計やジャイロスコープから収集した信号を機械学習やディープラーニングを用いて分析するシステムも開発されている。
本研究では,より優れた転倒検出性能を実現するために,粗大な畳み込みニューラルネットワークとゲート再帰ユニットを組み合わせたアンサンブルモデルを提案する。
このモデルで使用される並列構造設計は、異なる空間特性の粒を復元し、特徴表現のための時間依存性をキャプチャする。
本研究は,提案モデルの信頼性を検証するためにfallalld public datasetを適用し,それぞれ92.54%,96.13%,94.26%のリコール,精度,f-scoreを実現する。
その結果,FD用畳み込みニューラルネットワーク(CNN-LSTM)と比較して,日々の生活活動から転倒を識別する際のアンサンブルモデルの信頼性と優れた性能が示された。
関連論文リスト
- Inadequacy of common stochastic neural networks for reliable clinical
decision support [0.4262974002462632]
医療意思決定におけるAIの普及は、倫理的および安全性に関する懸念から、いまだに妨げられている。
しかし、一般的なディープラーニングアプローチは、データシフトによる過信傾向にある。
本研究は臨床応用における信頼性について考察する。
論文 参考訳(メタデータ) (2024-01-24T18:49:30Z) - An AI-enabled Bias-Free Respiratory Disease Diagnosis Model using Cough
Audio: A Case Study for COVID-19 [1.1146119513912156]
トレーニングデータ配信における共同創設者の影響を軽減するため, Bias Free Network (RBFNet) を提案する。
RBFNetは正確なRD診断機能を保証し、COVID19データセットを組み込むことでその関連性を強調する。
条件付き生成Adrial Network (cGAN) を定式化するための分類スキームに新たなバイアス予測器が組み込まれている
論文 参考訳(メタデータ) (2024-01-04T13:09:45Z) - Temporal Shift -- Multi-Objective Loss Function for Improved Anomaly
Fall Detection [3.813649699234981]
逐次フレームのウィンドウ内における将来のフレームと再構成フレームの両方を予測することを目的とした,Temporal Shiftと呼ばれる多目的損失関数を提案する。
異なるモデル間での大幅な改善により、このアプローチは広く採用され、フォール検出以外の他の設定での異常検出機能を改善する可能性がある。
論文 参考訳(メタデータ) (2023-11-06T04:29:12Z) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳(メタデータ) (2023-07-10T09:49:30Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳(メタデータ) (2023-04-14T09:39:06Z) - PreFallKD: Pre-Impact Fall Detection via CNN-ViT Knowledge Distillation [8.667056236149918]
本稿では,CNN-ViT の知識蒸留,すなわち PreFallKD を用いて,検出性能と計算複雑性のバランスをとるために,新しい影響前の転倒検出法を提案する。
提案したPreFallKDは,事前学習した教師モデルから生徒モデルに検出知識を伝達する。
実験の結果、PreFallKDは試験期間中に学生モデルを強化し、信頼度の高いF1スコア(92.66%)とリードタイム(551.3ms)を達成することが示された。
論文 参考訳(メタデータ) (2023-03-07T03:46:53Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳(メタデータ) (2021-12-15T20:09:20Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳(メタデータ) (2021-11-03T03:50:48Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳(メタデータ) (2020-03-11T00:22:50Z) - Regularized Cycle Consistent Generative Adversarial Network for Anomaly
Detection [5.457279006229213]
本稿では, ニューラルネットワークを逆向きに訓練し, 異常なサンプルをよりよく認識するRCGAN(Regularized Cycle Consistent Generative Adversarial Network)を提案する。
実世界のデータと合成データの両方に対する実験結果から,我々のモデルが過去の異常検出ベンチマークにおいて有意かつ一貫した改善をもたらすことが示された。
論文 参考訳(メタデータ) (2020-01-18T03:35:05Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。