論文の概要: Computer-Aided Fall Recognition Using a Three-Stream Spatial-Temporal GCN Model with Adaptive Feature Aggregation

• arxiv url: http://arxiv.org/abs/2408.12211v1
• Date: Thu, 22 Aug 2024 08:40:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-23 14:43:27.610822
• Title: Computer-Aided Fall Recognition Using a Three-Stream Spatial-Temporal GCN Model with Adaptive Feature Aggregation
• Title（参考訳）: 適応的特徴集約を伴う3ストリーム時空間GCNモデルを用いたコンピュータ支援フォール認識
• Authors: Jungpil Shin, Abu Saleh Musa Miah, Rei Egawa1, Koki Hirooka, Md. Al Mehedi Hasan, Yoichi Tomioka, Yong Seok Hwang,
• Abstract要約: 転倒予防は現代医療において特に高齢者にとって最重要である。 高齢者の生活を救うためには,コンピュータ支援による転倒検知システムが不可欠である。 本稿では,3流時空間特徴量に基づく転倒検出システムを提案する。
• 参考スコア（独自算出の注目度）: 0.5235143203977018
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The prevention of falls is paramount in modern healthcare, particularly for the elderly, as falls can lead to severe injuries or even fatalities. Additionally, the growing incidence of falls among the elderly, coupled with the urgent need to prevent suicide attempts resulting from medication overdose, underscores the critical importance of accurate and efficient fall detection methods. In this scenario, a computer-aided fall detection system is inevitable to save elderly people's lives worldwide. Many researchers have been working to develop fall detection systems. However, the existing fall detection systems often struggle with issues such as unsatisfactory performance accuracy, limited robustness, high computational complexity, and sensitivity to environmental factors due to a lack of effective features. In response to these challenges, this paper proposes a novel three-stream spatial-temporal feature-based fall detection system. Our system incorporates joint skeleton-based spatial and temporal Graph Convolutional Network (GCN) features, joint motion-based spatial and temporal GCN features, and residual connections-based features. Each stream employs adaptive graph-based feature aggregation and consecutive separable convolutional neural networks (Sep-TCN), significantly reducing computational complexity and model parameters compared to prior systems. Experimental results across multiple datasets demonstrate the superior effectiveness and efficiency of our proposed system, with accuracies of 99.51\%, 99.15\%, 99.79\% and 99.85 \% achieved on the ImViA, UR-Fall, Fall-UP and FU-Kinect datasets, respectively. The remarkable performance of our system highlights its superiority, efficiency, and generalizability in real-world fall detection scenarios, offering significant advancements in healthcare and societal well-being.
• Abstract（参考訳）: 転倒の予防は、特に高齢者にとって現代医療において最重要であり、転倒は重傷や死に至る可能性がある。 さらに、高齢者の転倒の発生率の増加と、薬物過剰摂取による自殺未遂の予防の必要性が相まって、正確かつ効率的な転倒検出方法の重要性を浮き彫りにしている。 このシナリオでは、高齢者の生活を救うために、コンピュータ支援による転倒検知システムが必然的に必要である。 多くの研究者が転倒検知システムの開発に取り組んでいる。 しかし、既存の転倒検知システムは、性能の正確さ、頑健さの制限、高い計算複雑性、そして効果的な特徴の欠如による環境要因への敏感さといった問題に悩まされることが多い。 これらの課題に対応するために,本稿では,新しい3ストリーム時空間特徴に基づく転倒検出システムを提案する。 本システムでは, 関節骨格を用いた空間的・時間的グラフ畳み込みネットワーク(GCN)機能, 関節運動に基づく空間的・時間的GCN機能, および残存接続に基づく特徴を取り入れた。 各ストリームは適応的なグラフベースの特徴集約と連続的に分離可能な畳み込みニューラルネットワーク(Sep-TCN)を使用し、従来のシステムと比較して計算複雑性とモデルパラメータを著しく低減する。 複数のデータセットにまたがる実験結果は,ImViA,UR-Fall,Fall-UP,FU-Kinectの各データセットで達成された99.51\%,99.15\%,99.79\%,99.85 \%の精度で,提案システムの有効性と効率性を示す。 本システムの顕著な性能は、現実の転倒検出シナリオにおける優位性、効率性、一般化性を強調し、医療と社会福祉の大幅な進歩を提供する。

関連論文リスト

• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• 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)
• The online learning architecture with edge computing for high-level control for assisting patients [3.1084001733555584]
  脊髄損傷、脳卒中、変性疾患などの疾患による移動障害の頻度は世界中で上昇している。 下肢のエキソ骨格は、このような障害のある個人に対する移動性とリハビリテーションを強化するための有効な解決策として、ますます認識されている。 既存のエクソスケルトン制御システムは、レイテンシ、適応性の欠如、計算不効率といった制限に悩まされることが多い。 本稿では,高レベル低域外骨格制御のためのエッジコンピューティングと統合された新しいオンライン対角学習アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-09-10T20:30:03Z)
• Recall-driven Precision Refinement: Unveiling Accurate Fall Detection using LSTM [0.0]
  本稿では,高齢者の転倒事故に対するプレッシャー的懸念に対処するために,正確な転倒検知システムを開発することで,革新的なアプローチを提案する。 提案システムは,加速度センサやジャイロセンサなどの最先端技術とディープラーニングモデル,特にLong Short-Term Memory(LSTM)ネットワークを組み合わせる。 本稿では,LSTMモデルのアーキテクチャとパラメータを戦略的に微調整し,システムの性能を最適化するプルーニング手法を提案する。
  論文  参考訳（メタデータ） (2023-09-09T20:17:39Z)
• 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)
• Deep Learning-based Fall Detection Algorithm Using Ensemble Model of Coarse-fine CNN and GRU Networks [7.624051346741515]
  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。
  論文  参考訳（メタデータ） (2023-04-13T08:30:46Z)
• SFF-DA: Sptialtemporal Feature Fusion for Detecting Anxiety Nonintrusively [16.170315080992182]
  本稿では,「3CNND+LSTM」と顔行動と非接触生理の相似性の特徴を融合したフレームワークを提案する。 我々のフレームワークは実世界のデータセットと2つの公開データセットで検証された。
  論文  参考訳（メタデータ） (2022-08-12T01:20:51Z)
• 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)
• Cloud Failure Prediction with Hierarchical Temporary Memory: An Empirical Assessment [64.73243241568555]
  Hierarchical Temporary Memory (HTM) は、新皮質の特徴にインスパイアされた教師なし学習アルゴリズムである。 本稿では,障害予測の文脈でHTMを評価する最初の体系的研究について述べる。
  論文  参考訳（メタデータ） (2021-10-06T07:09:45Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。