Fugu-MT 論文翻訳(概要): A Multi-Modal CNN-LSTM Framework with Multi-Head Attention and Focal Loss for Real-Time Elderly Fall Detection

論文の概要: A Multi-Modal CNN-LSTM Framework with Multi-Head Attention and Focal Loss for Real-Time Elderly Fall Detection

arxiv url: http://arxiv.org/abs/2603.22313v1
Date: Fri, 20 Mar 2026 03:04:24 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-25 19:53:37.049488
Title: A Multi-Modal CNN-LSTM Framework with Multi-Head Attention and Focal Loss for Real-Time Elderly Fall Detection
Title（参考訳）: リアルタイム転倒検出のためのマルチヘッド・アテンションと焦点損失を考慮したマルチモーダルCNN-LSTMフレームワーク
Authors: Lijie Zhou, Luran Wang,
Abstract要約: 本稿では,マルチモーダルなディープラーニングフレームワークであるMultiModalFallDetectorを提案する。ウェアラブルセンサーによる高齢者の転倒検出をリアルタイムに行うように設計されている。このモデルはエッジデバイス上で50ミリ秒未満の推論遅延を維持しており、リアルタイムデプロイメントに適していることを確認している。
参考スコア（独自算出の注目度）: 2.2917707112773598
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The increasing global aging population has intensified the demand for reliable health monitoring systems, particularly those capable of detecting critical events such as falls among elderly individuals. Traditional fall detection approaches relying on single-modality acceleration data suffer from high false alarm rates, while conventional machine learning methods require extensive hand-crafted feature engineering. This paper proposes a novel multi-modal deep learning framework, MultiModalFallDetector, designed for real-time elderly fall detection using wearable sensors. Our approach integrates multiple innovations: a multi-scale CNN-based feature extractor capturing motion dynamics at varying temporal resolutions; fusion of tri-axial accelerometer, gyroscope, and four-channel physiological signals; incorporation of a multi-head self-attention mechanism for dynamic temporal weighting; adoption of Focal Loss to mitigate severe class imbalance; introduction of an auxiliary activity classification task for regularization; and implementation of transfer learning from UCI HAR to SisFall dataset. Extensive experiments on the SisFall dataset, which includes real-world simulated fall trials from elderly participants (aged 60-85), demonstrate that our framework achieves an F1-score of 98. 7, Recall of 98. 9, and AUC-ROC of 99. 4, significantly outperforming baseline methods including traditional machine learning and standard deep learning approaches. The model maintains sub- 50ms inference latency on edge devices, confirming its suitability for real-time deployment in geriatric care settings.
Abstract（参考訳）: 世界の高齢化が進み、信頼性の高い健康モニタリングシステム、特に高齢者の転倒などの重要な事象を検知できるものへの需要が高まっている。単一モード加速度データに依存する従来のフォール検出アプローチは、偽のアラーム率が高いのに対して、従来の機械学習手法では手作りの広範な特徴工学を必要とする。本稿では,ウェアラブルセンサを用いたリアルタイム転倒検出のためのマルチモーダルディープラーニングフレームワークであるMultiModalFallDetectorを提案する。提案手法は,3軸加速度計,ジャイロスコープ,4チャネルの生理信号の融合,動的時間重み付けのための多頭部自己注意機構の導入,重度のクラス不均衡を緩和するためのFocal Lossの導入,正規化のための補助的アクティビティ分類タスクの導入,UCI HARからSisFallデータセットへの移行学習の実施など,複数のイノベーションを統合する。高齢者(60～85歳)の実際の転倒試験を含むSisFallデータセットの大規模な実験は、我々のフレームワークがF1スコアを達成することを実証している。 98.7リコール 98.9およびAUC-ROC 従来の機械学習や標準的なディープラーニングアプローチなど、ベースライン手法よりもはるかに優れています。このモデルはエッジデバイス上で50ミリ秒未満の推論レイテンシを維持しており、老年ケア設定でのリアルタイムデプロイメントに適していることを確認している。

関連論文リスト

FusAD: Time-Frequency Fusion with Adaptive Denoising for General Time Series Analysis [92.23551599659186]
時系列分析は、金融、医療、産業、気象学などの分野において重要な役割を果たす。 FusADは多様な時系列タスク用に設計された統合分析フレームワークである。
論文参考訳（メタデータ） (2025-12-16T04:34:27Z)
DRTA: Dynamic Reward Scaling for Reinforcement Learning in Time Series Anomaly Detection [7.185726339205792]
時系列データの異常検出は、ファイナンス、ヘルスケア、センサーネットワーク、産業監視におけるアプリケーションにとって重要である。本稿では,動的報酬形成,変分オートエンコーダ(VAE),DRTAと呼ばれるアクティブラーニングを統合した強化学習ベースのフレームワークを提案する。提案手法は,VAEに基づく再構成誤りと分類報酬の効果を動的にスケーリングすることにより,探索と利用のバランスをとる適応報酬機構を用いる。
論文参考訳（メタデータ） (2025-08-25T20:39:49Z)
Deep Learning for Motion Classification in Ankle Exoskeletons Using Surface EMG and IMU Signals [0.8388591755871735]
足関節外骨格は、移動性を高め、転倒リスクを減らす可能性に対してかなりの関心を集めている。本稿では、3つの慣性計測ユニット(IMU)と8つの表面筋電図センサ(sEMG)を統合する新しい動き予測フレームワークを提案する。その結果、畳み込みニューラルネットワーク(CNN)は5つの動作タスクのデータセット上でLSTM(Long Short-Term Memory)ネットワークをわずかに上回っていることがわかった。
論文参考訳（メタデータ） (2024-11-25T10:51:40Z)
A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [89.92916473403108]
本稿では,新しい手法のモジュラーフレームワークであるADerの総合的な視覚異常検出ベンチマークを提案する。このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文参考訳（メタデータ） (2024-06-05T13:40:07Z)
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)
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)
AttNS: Attention-Inspired Numerical Solving For Limited Data Scenarios [51.94807626839365]
限定データによる微分方程式の解法として,注目型数値解法(AttNS)を提案する。 AttNSは、モデル一般化とロバスト性の向上におけるResidual Neural Networks(ResNet)のアテンションモジュールの効果にインスパイアされている。
論文参考訳（メタデータ） (2023-02-05T01:39:21Z)
Inertial Hallucinations -- When Wearable Inertial Devices Start Seeing Things [82.15959827765325]
環境支援型生活(AAL)のためのマルチモーダルセンサフュージョンの新しいアプローチを提案する。我々は、標準マルチモーダルアプローチの2つの大きな欠点、限られた範囲のカバレッジ、信頼性の低下に対処する。我々の新しいフレームワークは、三重項学習によるモダリティ幻覚の概念を融合させ、異なるモダリティを持つモデルを訓練し、推論時に欠落したセンサーに対処する。
論文参考訳（メタデータ） (2022-07-14T10:04:18Z)
TranAD: Deep Transformer Networks for Anomaly Detection in Multivariate Time Series Data [13.864161788250856]
TranADはディープトランスネットワークに基づく異常検出および診断モデルである。注意に基づくシーケンスエンコーダを使用して、データ内のより広い時間的傾向の知識を迅速に推論する。 TranADは、データと時間効率のトレーニングによる検出と診断のパフォーマンスにおいて、最先端のベースラインメソッドよりも優れています。
論文参考訳（メタデータ） (2022-01-18T19:41:29Z)

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。