論文の概要: Watch Your Step: A Cost-Sensitive Framework for Accelerometer-Based Fall Detection in Real-World Streaming Scenarios

• arxiv url: http://arxiv.org/abs/2509.11789v1
• Date: Mon, 15 Sep 2025 11:19:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.245631
• Title: Watch Your Step: A Cost-Sensitive Framework for Accelerometer-Based Fall Detection in Real-World Streaming Scenarios
• Title（参考訳）: リアルタイムストリーミングシナリオにおける加速度計による転倒検出のためのコスト知覚フレームワーク
• Authors: Timilehin B. Aderinola, Luca Palmerini, Ilaria D'Ascanio, Lorenzo Chiari, Jochen Klenk, Clemens Becker, Brian Caulfield, Georgiana Ifrim,
• Abstract要約: リアルタイムの転倒検出は、タイムリーな介入を可能にし、転倒の深刻な健康影響を軽減するために不可欠である。 既存の手法は、しばしば、フォールイベントの事前知識のようなシミュレーションされたデータや仮定に依存している。 本稿では,転倒イベントの事前知識のない連続監視のためのリアルタイム転倒検出フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.6329736798118981
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-time fall detection is crucial for enabling timely interventions and mitigating the severe health consequences of falls, particularly in older adults. However, existing methods often rely on simulated data or assumptions such as prior knowledge of fall events, limiting their real-world applicability. Practical deployment also requires efficient computation and robust evaluation metrics tailored to continuous monitoring. This paper presents a real-time fall detection framework for continuous monitoring without prior knowledge of fall events. Using over 60 hours of inertial measurement unit (IMU) data from the FARSEEING real-world falls dataset, we employ recent efficient classifiers to compute fall probabilities in streaming mode. To enhance robustness, we introduce a cost-sensitive learning strategy that tunes the decision threshold using a cost function reflecting the higher risk of missed falls compared to false alarms. Unlike many methods that achieve high recall only at the cost of precision, our framework achieved Recall of 1.00, Precision of 0.84, and an F1 score of 0.91 on FARSEEING, detecting all falls while keeping false alarms low, with average inference time below 5 ms per sample. These results demonstrate that cost-sensitive threshold tuning enhances the robustness of accelerometer-based fall detection. They also highlight the potential of our computationally efficient framework for deployment in real-time wearable sensor systems for continuous monitoring.
• Abstract（参考訳）: リアルタイムの転倒検出は、特に高齢者において、タイムリーな介入を可能にし、転倒の深刻な健康影響を軽減するために重要である。 しかし、既存の手法は、しばしば、秋の出来事の事前知識のようなシミュレーションされたデータや仮定に頼り、現実の応用性を制限する。 継続的監視に適した効率的な計算と堅牢な評価指標も必要だ。 本稿では,転倒イベントの事前知識のない連続監視のためのリアルタイム転倒検出フレームワークを提案する。 FARSEEING実世界の転倒データセットから60時間以上の慣性測定単位(IMU)データを用いて,ストリーミングモードにおける転倒確率を計算するために,近年の効率的な分類器を用いた。 強靭性を高めるために,誤報よりも失敗のリスクが高いことを反映したコスト関数を用いて,決定しきい値を調整するコスト感受性学習戦略を導入する。 精度を犠牲にして高いリコールを実現する多くの手法とは異なり, FARSEEINGでは, 平均推定時間は5ms以下であり, 精度は1.00, 精度は0.84, F1スコアは0.91であった。 これらの結果から,アクセルメータによる落下検出のロバスト性の向上が期待できる。 また、継続的監視のためのリアルタイムウェアラブルセンサーシステムに、計算効率の良いフレームワークを配置する可能性も強調しています。

関連論文リスト

• Anomalous Decision Discovery using Inverse Reinforcement Learning [3.3675535571071746]
  異常検出は、知覚システムを通じて異常な行動を特定することによって、自律走行車(AV)において重要な役割を果たす。 現在のアプローチは、しばしば定義済みのしきい値や教師付き学習パラダイムに依存するが、目に見えないシナリオに直面すると効果が低下する。 異常検出のための新しいIRLフレームワークである Trajectory-Reward Guided Adaptive Pre-training (TRAP) を提案する。
  論文  参考訳（メタデータ） (2025-07-06T17:01:02Z)
• ARCANE -- Early Detection of Interplanetary Coronal Mass Ejections [0.0]
  ARCANEは、ストリーミング太陽風データにおけるICME早期検出のために明示的に設計された最初のフレームワークである。 検出パイプラインはF1スコアの0.37に達し、平均検出遅延はイベントの24.5%である。
  論文  参考訳（メタデータ） (2025-05-14T13:17:45Z)
• CorrDiff: Adaptive Delay-aware Detector with Temporal Cue Inputs for Real-time Object Detection [11.714072240331518]
  CorrDiffは、リアルタイム検出システムの遅延問題に対処するために設計された。 複数の将来のフレームに対するオブジェクトの位置を予測するために、実行時推定の時間的キューを利用することができる。 あらゆる種類のデバイスにおいて、厳格なリアルタイム処理要件を満たす。
  論文  参考訳（メタデータ） (2025-01-09T10:34:25Z)
• Weak Supervision Performance Evaluation via Partial Identification [46.73061437177238]
  Programmatic Weak Supervision (PWS) は、地上の真理ラベルに直接アクセスすることなく、教師付きモデルトレーニングを可能にする。 本稿では,モデル評価を部分的同定問題としてフレーミングすることで,この問題に対処する新しい手法を提案する。 提案手法は,従来の弱監督評価手法において,ラベル付きデータを必要とせず,重要な指標に信頼性のあるバウンダリを導出する。
  論文  参考訳（メタデータ） (2023-12-07T07:15:11Z)
• Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
  量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。 提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
  論文  参考訳（メタデータ） (2023-12-03T05:52:30Z)
• 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)
• ImDiffusion: Imputed Diffusion Models for Multivariate Time Series Anomaly Detection [44.21198064126152]
  我々はImDiffusionという新しい異常検出フレームワークを提案する。 ImDiffusionは時系列計算と拡散モデルを組み合わせて、正確で堅牢な異常検出を実現する。 我々はImDiffusionの性能をベンチマークデータセットの広範な実験により評価する。
  論文  参考訳（メタデータ） (2023-07-03T04:57:40Z)
• PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
  本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。 我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-01-25T16:34:43Z)
• Bandit Quickest Changepoint Detection [55.855465482260165]
  すべてのセンサの継続的な監視は、リソースの制約のためにコストがかかる可能性がある。 有限パラメータ化確率分布の一般クラスに対する検出遅延に基づく情報理論の下界を導出する。 本稿では,異なる検知オプションの探索と質問行動の活用をシームレスに両立させる,計算効率のよいオンラインセンシング手法を提案する。
  論文  参考訳（メタデータ） (2021-07-22T07:25:35Z)
• Risk Minimization from Adaptively Collected Data: Guarantees for Supervised and Policy Learning [57.88785630755165]
  経験的リスク最小化(Empirical Risk Minimization, ERM)は、機械学習のワークホースであるが、適応的に収集されたデータを使用すると、そのモデルに依存しない保証が失敗する可能性がある。 本研究では,仮説クラス上での損失関数の平均値を最小限に抑えるため,適応的に収集したデータを用いた一般的な重み付きERMアルゴリズムについて検討する。 政策学習では、探索がゼロになるたびに既存の文献のオープンギャップを埋める率-最適後悔保証を提供する。
  論文  参考訳（メタデータ） (2021-06-03T09:50:13Z)
• ReRe: A Lightweight Real-time Ready-to-Go Anomaly Detection Approach for Time Series [0.27528170226206433]
  本稿では,リアルタイム・レディ・トゥ・ゴー・プロアクティブ・異常検出アルゴリズムReReを紹介する。 ReReは2つの軽量Long Short-Term Memory (LSTM)モデルを使用して、次のデータポイントが異常であるか否かを予測し、共同で判断する。 実世界の時系列データセットに基づく実験は、リアルタイム異常検出におけるReReの優れた性能を示す。
  論文  参考訳（メタデータ） (2020-04-05T21:26:24Z)

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。