文摘

长老的伤害有关的死亡的主要原因是由瀑布。科学界把他们特别关注,因为伤害可以限制一个事件的早期检测。本文提出的解决方案是基于SVM (OCSVM)和改进分类器组合看到下面成了歧视人类瀑布从nonfalls semisupervised框架。声信号捕获的地板声传感器;然后Mel-Frequency Cepstral系数和高斯意味着Supervectors (gms)提取秋天/ nonfall歧视。在这里,我们提出一个单一传感器两级user-aided方法:在第一阶段,OCSVM检测到异常声事件。第二,改进分类器产生最终决定利用一组模板gms相关事件由用户标记为假阳性。算法的性能评估在语料库包含人类的瀑布和nonfall声音。只OCSVM方法相比,该算法在干净的条件改善了性能10.14%和4.84%在嘈杂的环境。Popescu相比,Mahnot(2009)在干净的条件和性能改进是19.96% 8.08%在嘈杂的环境。

1。介绍

人口老龄化是在政府和公共机构造成重大关切,因为它将持续增加对医疗服务的需求和医疗系统的负担1]。采用的策略来减少这种人口结构变化对社会的影响是直接投资于智能技术能够支持老年人在家中(2]。

被伤害有关的死亡的主要原因为长老(3),人类的检测一直是近年来的主要研究课题。几个出现在文学作品呈现不同的解决方案,及时发现人类的下跌。传感器的基础是“环境”(如红外传感器、压力、麦克风、摄像头)如果他们被放置在环境或所谓的“可穿的”(如加速度计)如果他们被监视的人穿4]。有关算法,分析方法”事件归为下降或nonfall阈值获得的信号或从中提取的特征5]。这些方法需要手动调优的hyperparameters不同操作场景和主题。相反,“机器学习”方法学会区分从nonfalls直接从数据5]。他们可以分为“监督方法,”需要的标签数据集训练,和“无监督方法,”他们的决定基于正常模型由nonfall事件。无监督方法提出了由于人工瀑布“罕见”事件,和很难捕获足够的例子为代表在不同的操作场景(如房间,地板材料)和主题。无监督方法,相反,认为人类下降是偏离正常的事件,他们是基于看到下面成了一个分类器。他们的弱点在于某些事件偏离正常人类的下跌(例如,对象的下降),因此他们可能产生假警报。

本文中提出的方法减少问题由支持向量机结合看到下面成了(OCSVM) [6)和改进分类器级联操作。总的想法是,人类产生了声音明显不同于常见的一个家(如声音,声音从电子设备,和脚步声)。OCSVM训练在一个大的“正常”的声音来检测声偏离正常的事件。然而,预计某些声学事件一样不正常人类下降(例如,秋天的书和椅子),因此他们可以提高假警报。改进分类器user-aided监督的方式运作,它被用来减少这些错误通过使用一组模板表示这些事件。模板是由用户确定,标志着假阳性的发生,而不是一个真正的人类活动。秋天检测器操作环境传感器,即信号被一层声学传感器(FAS),它提取Mel-Frequency Cepstral系数(MFCCs) [7)和高斯意味着Supervectors (gms) [8OCSVM]分类,改进分类器。算法的性能评估大型语料库的事件由作者。语料库包含人类下降事件复制采用“救援兰迪”human-mimicking娃娃(https://www.simulaids.com/1475.htm)[9- - - - - -11)和nonfall事件的对象由下降,音乐,听起来与共同的人类活动。实验进行清洁和嘈杂的条件在三个场景:第一个由人类,人类活动和音乐;第二个由人类瀑布和对象瀑布;第三是最现实的场景和包括第一和第二集的所有类。该方法的意义已经被实施和评估评估算法与OCSVM只有和gms作为输入和中描述的算法(12)基于OCSVM和MFCCs作为输入。

论文的大纲如下:部分2概述了最近的文献基于环境传感器的检测算法。部分3激励的建议的方法,提出了贡献。部分4描述了该检测算法。部分5描述了实验评价方法的性能。最后,部分6总结了论文并提出了未来的发展。

2。相关的工作

跌倒检测方法可以区分基于传感技术和算法,从nonfalls歧视瀑布3,13,14]。如前所述,被动红外传感器、振动和压力传感器,摄像头,麦克风属于“环境”传感器,因为他们的家庭位于环境下降的事件发生。相反,加速计、心率、心电图(ECG),和身体温度传感器属于“可穿戴传感器的家庭因为他们穿的是嵌入在一个设备监视的人。

可以区分算法”分析方法”,他们的决定基于阈值的信号或收购相关的特性,和机器学习方法,“学习”的特点,秋天信号直接从数据(5]。提出的方法在15- - - - - -18)分析方法,使用可穿戴设备和决定是否发生了下降通过应用决策阈值在捕获的信号或相关特性。这种解决方案的缺点是,它需要一个先验知识的信号特征和手工调优参数的算法,很难执行的东西由于操作条件的变化和主题。

机器学习技术,因此,采用最近的一些工作来克服这个缺点。监督方法训练学习算法在大数据集,所有感兴趣的类。在[19复杂,一棵树从地板振动传感器提取的小波变换特性和分类是利用多类支持向量机来执行的。训练数据集包含人工瀑布,走路或跑步记录,坐在地板上,撞门,书。基于音频信号的方法是基于一个或多个麦克风放置在天花板上,在墙上或地板上。在以前的一些作家的作品(20.,21),一个声学传感器运行同样听诊器是用来捕获的声波传播通过地板上。算法是基于MFCCs和gms特性和多类支持向量机训练上录音的瀑布human-mimicking娃娃和几个对象。在[22),作者使用一个天线麦克风和知觉线性预测(PLP)系数的特性。分类是基于gms和SVM Kullback-Leibler分歧内核,是训练区分nonfall事件的瀑布和九类。在[23],作者采用圆形阵列的八个麦克风来确定声源的高度,从nonfalls过滤掉。MFCCs的特性和使用最近的邻居(nn)分类器执行最后的秋天/ nonfall歧视。分类器训练在人类和nonfall事件包括删除的对象,走路,讲话,和其他声音正常人类活动有关。李等人。24)提出了一种多通道盲源分离技术基于非负矩阵分解(NMF)。额外的环境噪音减少延迟叠加beamformer被使用。然后,增强的MFCC特征提取音频和最后一个神经网络分类器是用来区分从nonfalls倒塌事件。不同,系统提出了(25]捕捉音频信号通过使用智能手机放在桌子上。四个不同的机器学习分类器(神经网络、支持向量机、最小二乘法和神经网络)与四个不同的测试类型的特点:光谱图,MFCCs,线性预测编码(LPC)和匹配追求(MP)。最佳性能的实现是通过使用光谱图特征与ANN分类器灵敏度、特异性和准确性都在98%以上。声信号一直也采用结合信号与不同的传感器获得。在[11),作者结合特性从声音和振动传感器,然后采用朴素贝叶斯分类器进行分类。的实验数据集包含“救援兰迪”瀑布的human-mimicking娃娃和四个对象,和由此产生的敏感性和特异性分别为97.5%和98.6%。运动、声音和视频信号用于(26]。信号捕获来自环境传感器和传感器。秋天是分析探测到声音和运动信息,而视觉和运动行为表明下降的严重程度。Toreyin和他的同事们的工作(27)结合pir、麦克风和振动传感器。信号处理来提取特征的小波域和HMM分类器是用来检测瀑布。作者表明,使用PIR信号可获得100%的准确率。中提出的方法(28)是基于摄像机的视频信号获得微软Kinect。算法包括第一阶段特性提取重要的人类骨骼关节和第二阶段一个SVM训练的特征提取跟踪关节。

监督方法的问题是,他们要求每个类的兴趣表示训练数据集。然而,与真正的人类的可变性的环境条件和实验对象很难或不可能收集足够数量的例子,使算法概括在看不见的条件(13]。无监督的方法解决这个问题作为一个新奇检测任务(29日,30.),也就是说,通过学习正常模型的数据与人工瀑布。方法使用可穿戴传感器中,周et al。31日)提出一个跌倒检测算法基于活动过渡外推加速计和陀螺仪。主要的思想是提取过渡的特征数据相邻活动认识到各种各样的正常和非正常活动通过一个OCSVM。Popescu和Mahnot12声落检测评估三种无监督方法:高斯混合模型,近邻,OCSVM。声信号是用一个空中麦克风和MFCCs获得包含在1 s用于分类的一个窗口。进行的实验是在一个数据集组成的瀑布和nonfalls由对象,敲门,鼓掌,听起来与电话有关。一个两个麦克风的方法提出了32),该算法首先处理立体声信号与源分离阶段消除背景噪音。分类算法是基于OCSVM和MFCCs [12]。在数据集,正常事件组成的声音来自走路,弯曲,躺着,坐着。作者并不认为下降的其他对象明显混淆分类器;然而他们认为电视的存在产生干扰的声音。结果曲线下的面积是0.9928没有干扰和0.9738与75%的干扰。

3所示。动机和贡献

如前一节所示,“无监督方法”可以克服手工调优的需要“分析方法”和一个大型的必要性贴上“监督方法的数据集。无监督方法,“在瀑布从nonfalls歧视基于模型的“常态”由大量nonfall事件。然而,某些事件不同于人类的“常态”,而且他们可能导致分类器产生假警报。作为一个例子,数字1(一)和1 (b)分别显示波形和声谱图段的“正常”的人类活动(脚步和语言)。数据1 (c)和1 (d)显示波形和人类下降段的光谱图,和数字1 (e)和1 (f)显示波形和一本书的光谱图。数据显示清楚,瀑布信号从人类活动的一个显著差异;因此分类器可能诱导认为一本书的秋天的一个人。

本文提出的算法减少了问题采用多级分类方法,结合了基于OCSVM看到下面成了一个分类器和改进阶段。OCSVM是训练有素的无监督大语料库包含声音代表着“常态。“相反,改进阶段使用一组模板由少量的特征向量由用户标记为假警报。因此,鲁棒性对可能的假警报是只通过使用一些假阳性的例子类不需要多个传感器。一个额外的优势对艺术的状态,该方法能够发展和改善后首次训练,因为模板设置可以增强nonfalls事件被检测到。最后,不同于当前文献[12,22),该方法采用高斯意味着Supervectors OCSVM和捕获的音频信号通过一个单一的地板声传感器。

4所示。该方法

该方法是由三个阶段(图2):第一个(“特征提取”)从输入音频信号,然后提取MFCCs gms来描述整个音频片段。第二阶段(“异常事件检测”)由一个看到下面成了一个支持向量机分类器之间的歧视正常和不正常的声音。作者的知识,OCSVM和gms从未共同用于声学检测。第三阶段是本文的创新贡献减少假警报在无监督的方法:它由一个“改进”块,改进OCSVM的输出并将输入数据划分成或nonfall下降。OCSVM是在一个庞大的数据集上训练有素的无监督的日常声音的客观区分正常与异常的声音。如前所述,基本的假设是声学事件相关的人工瀑布“罕见”对声音通常发生在家里。改进阶段,另一方面,需要一组“模板”实例代表罕见的事件,可以与下降相混淆。指图2“改进”阶段是由一组“模板”一块,计算输入GMS和模板之间的距离(“欧氏距离计算”),和一个“决定”块,决定事件是秋天还是nonfall通过评估的距离的大小。基本原理是某些声学事件一样异常跌倒和混淆OCSVM:改进阶段减少假阳性通过使用一组相关的例子最令人困惑的类。在这部作品中,算法“user-aided”;即模板表示用户每次OCSVM产生假阳性。这是显示在图2轮廓附近街区的人决定是否检测到的秋天是假阳性(“假阳性吗?”)。不过,总体而言,可以创建模板设置一个先天的可能的假警报事件记录几个实例。虽然罕见,假警报事件(例如,瀑布的对象)当然很容易在实验室繁殖对人工瀑布。本节描述整个方法的其余部分的细节,从声学传感器用于捕获瀑布的声音,特征提取阶段,结合OCSVM /改进阶段。

4.1。地板声传感器

传感器用来捕获产生的声音如图下降3:它是由共振的外壳和一个麦克风。保证地板表面的声耦合的膜了。所展示的作品的作者(20.,21,33),而麦克风放置在墙壁或天花板上,这个解决方案能够更好地隔离产生的声音从外部干扰(如声音、音乐)。外壳已经在聚乳酸生产的3 d打印机,它的直径是16.5厘米,高5.5厘米。

关于麦克风,AKG C 400提单(http://www.akg.com/pro/p/c400-bl)已经被插入的附件。爱科技C 400提单的特点是一个hypercardiod方向性模式;因此,一直面向最大增益是向地板。

4.2。特征提取

4.2.1。准备Mel-Frequency Cepstral系数

特征提取阶段提取底层声学特征由Mel-Frequency Cepstral系数从输入音频信号。然后用来计算高斯意味着Supervectors (gms),代表更高层次描述符用于实际的分类。MFCCs最初开发了语音识别和说话人确认任务;然而他们也已经成功利用分类瀑布(11,20.]。如图4,提取MFCCs涉及preemphasizing输入信号和过滤输出与一组过滤器等距的梅尔·空间。取对数后的能量在每一个乐队,最后系数计算采用离散余弦变换(DCT)。在这工作,预加重并没有被应用,因为信号获得的能量与FAS集中在频率低于1 kHz和预加重会降低算法的区别的功能(20.]。MFCCs萃取过程详情,请参阅[7,20.]。

4.2.2。高斯意味着Supervectors

gms更高层次特性组成的高斯混合模型(GMM)的方式适应与最大后验(MAP)算法(8,34]。GMM模型通用背景模型(UBM)和培训大量的音频数据利用期望最大化(EM)算法(35]。然后,GMS计算通过调整GMM映射算法(36)和连接改编GMM平均值(图5 (b))。

更多的细节,考虑一个序列MFCC向量,每个有大小。GMM代表UBM是由 在哪里,是混合权重,是一个多元高斯分布平均向量和对角协方差矩阵。

GMS序列的通过调整手段的UBM模型与最大后验(MAP)算法,然后连接意味着向量: 在哪里表示转置运算符。无论在序列向量的个数,是一个向量。

高斯函数的数量可以确定在一个验证集。

4.3。看到下面成了一个支持向量机

看到下面成了一个支持向量机由一个判别函数值在一个小区域,抓住了大部分的数据点集和外地区(6]。判别函数有以下表达式: 在哪里表示th支持向量和代表了核函数,例如,径向基函数。超平面的位置,因此,定义了该地区代表正常的数据点。对于每个点位于这一地区外,功能需要的值,而为点在区域内部,需要的价值。

条款可以通过求解对偶问题的解: 这个词的hyperparameter算法确定一个验证集。

偏移量可以从Karush-Kuhn-Tucker获得(马)条件表达式(37] 这是满意的吗这不是在上限或下限。

4.4。改进

改进分类器作用于一组模板,也就是说,supervectors,可以定义一个先天的或由用户选择当OCSVM检测异常声音,不是一个人。表示由输入信号和supervector的模板,计算欧氏距离的算法操作supervector之间被分类和所有的模板集。指示,supervector归类为秋天如果吗否则,nonfall。阈值的hyperparameter算法,可以确定在一个验证集。

5。实验

5.1。数据集

数据集(http://www.a3lab.dii.univpm.it/research/fasdataset)是由音频事件对应于人类,对象,听起来正常活动(声音,脚步,等等),和音乐20.]。收购已经完成了一个矩形房间测量使用Presonus AudioBox 44:声卡和FAS定位在地板上(图6)。

人类瀑布模拟通过“救援兰迪”human-mimicking娃娃在水中救援工作。娃娃已经从直立位置和一把椅子,两个向前和向后,总共44个事件,都包含在“人类”类。关于瀑布的对象,一个球,一个金属篮,一本书,一个金属叉,一个塑料椅子,和一袋被用来繁殖听起来类似于人类下跌可能产生错误的检测。每个秋天事件一直在执行四个距离FAS,也就是说,1,2,4,6米(图6)。此外,对于每一个距离,篮子里的椅子已经推翻了自然的位置,而另一对象已经在两个高度下降,也就是说,0.5米和1米。正常活动的声音记录人员执行常见的操作的时候,如走路,说话,拖着椅子。最后,三个音乐曲目已经从扬声器与FAS和收购。第一个跟踪包含古典音乐(w . a .莫扎特“C大调钢琴三重奏”),而第二个(齐柏林飞艇,“年少轻狂”)和第三(齐柏林飞艇,“当防洪堤”)包含摇滚音乐。音乐曲目和正常活动听起来已经分成段的长度平均值和标准偏差估计从秋天事件的实例。此外,他们曾独自和创建嘈杂的版本的人类和对象出现为了评估算法在存在干扰。的总数为每个类的报道在表出现1。

最初收购已经进行采样率等于44.1 kHz和32位深度20.]。在实验中,信号被downsampled 8 kHz和决议已经减少到16位。采样频率的选择是出于分析作者在前一个工作执行的(20.),结果表明,信号记录与FAS的大部分能量集中在频率低于1 kHz。

5.2。实验装置

先前描述的数据集被分为一组训练UBM和OCSVM三组评估性能。

培训已经完成一组表所示2由947事件(1773年代)的人类活动,古典音乐,摇滚音乐。算法的评估已经完成以下数据:(我)组1(人类下降和背景声音):这组由44例子人类秋天的声音和44个人类活动和音乐听起来(表的例子3(a))。(2)组2(人类和对象下滑的声音):这组由44例子人类秋天的声音和44对象秋天的声音(表的例子4(a))。(3)设置3(人类下降,对象和背景声音):这组由44例子人类秋天的声音,22例子的背景声音,22个对象秋天的声音(表的例子5(a))。

对于每一组,数据被分为四个折叠,每11人组成的瀑布和11 nonfalls。然后,一叠被用于估计算法的hyperparameters和三个已被用于计算性能。最终的性能计算通过使用累积真阳性,假阳性和假阴性通过不同测试折叠。验证阶段在于寻找于是的组件的数量,的值和OCSVM,阈值的值在改进阶段。由这些变量的值列于表6。该方法用于改进决策阈值在部分解释5.3。

所有上述的数据集需要一套模板的改进阶段算法。对象的下降,套模板创建372年分类的一组对象瀑布OCSVM和选择出现并被错误地归类为人工瀑布。在背景声音的情况下,模板创建的集合通过计算每个发生之间的欧几里得距离开发设置,每个发生的一组470背景信号,然后选择距离最小的部分。表中所示的模板集的细节3(b),4(b)5(b),分别为“1”“2”和“3”。

该方法比较中给出的算法(12基于OCSVM]。相同的算法也被用于(32]multimicrophone收购设置和源分离阶段。在[12),音频信号分为窗口相同的长度,和相关MFCCs用于训练OCSVM和分类。在[12),7 MFCCs提取音频信号采样20 kHz和窗口的长度被设置为1。在这里,特征向量是一样的建议的方法;也就是说,它们是由第一个13 MFCCs及其第一和第二衍生品。同一个窗口的长度(12)不能使用,因为本文中使用的数据集包含信号长度小于1。因此,窗口对应的长度最短的事件的持续时间数据集,它等于576 ms(71帧)。窗口重叠50%,(12),事件归类为秋天如果至少两个连续帧被列为OCSVM新奇。相同的网格搜索过程提出的方法采用了搜索的最优值和OCSVM。

方面的表现评估测量计算 在哪里是正确分类的数量下降,是下降的数量并被错误地归类为nonfalls,是nonfalls的数量并被错误地归类为下降。

5.3。改进的选择决定阈值

该方法的关键是决策阈值在改进阶段。选择价值过低会导致低假阴性和大量的假阳性。相反,过高的值会导致大量的假阴性和假阳性的数量。的选择已经完成了计算最小欧氏距离每年秋季和nonfall事件验证集和模板的设置。数据7和8分别显示,三组的概率分布在清洁和嘈杂的条件。决定阈值选择之间的交点落和nonfall距离的分布。这个选择代表妥协平衡假阳性和假阴性。

观察清洁条件分布,在“1”两个密度大幅重叠,重叠在“2”是谦虚。预计可能的改善改进阶段将更加一致的关于“设置2组1。”“3”包含了人类活动和音乐现象为“集1”和对象为“2”:的确,概率分布(图7 (c))更明显的对的“设置1,“但不是如此的“2”。

嘈杂的条件分布,如图8一般不明显,清洁状况相比的。噪声是平的效果下降的距离和nonfall类,因此导致更少的歧视能力的分类器。因此,预计噪声条件下的性能改进将对获得的一个更温和清洁状态。

5.4。结果与讨论

图9显示结果在干净的条件下获得的,没有改进阶段,分别表示为“OCSVM +改进”和“OCSVM。“与方法获得的结果(12标有“Popescu和Mahnot (2009)。“观察图,很明显,在所有三个案例的改进方法能够提高性能对“Popescu和Mahnot (2009)“(12)和OCSVM唯一的方法。特别是在“设置1”,包括人类下降,人类活动,和音乐,性能提高了2.03% OCSVM和19.64%对“Popescu Mahnot (2009)。”这种情况下可以被认为是最具有挑战性的三个,因为nonfalls事件大大不同于瀑布的。相反,“2”包括人类瀑布和对象,因此它包括异常事件的模式类似于人类的瀑布之一。的确,没有改进阶段,性能对“1”是低17.91%,主要是由于误报率从13.64%增加到50.76%。改进阶段的引入大大降低了假阳性的数量,导致20.76%的总体性能改善。关于“Popescu Mahnot (2009)”12),测量低于OCSVM和建议的方法;然而它是影响较小的物体下降,自测量只减少了0.64%。“3”包括人类,人类活动、音乐、和对象瀑布和代表了三个最现实的测试条件。结果获得通过使用OCSVM分类器仅是82.25%。正如所料,这个结果低于“设置1,“因为对象也存在,并高于“设置2,“因为人类活动和音乐片段更容易区分。介绍了改进阶段,性能提高了7.64%,导致一个测量等于89.89%。不同,该方法通过Popescu和Mahnot [12)降低5.25%的“1”和4.61%对“组2》证明它不太健壮的并发对象瀑布和日常人类活动听起来。

图10显示了三个案例获得的结果在嘈杂的环境。正如所料,性能降低所有的三种评估方法。在“1”,性能降低是温和(OCSVM 2.32%, 2.63%的建议的方法,和1.44%“Popescu Mahnot(2009)“),证明OCSVM能够有效地拒绝nonfall事件被音乐干扰。改进的使用阶段的性能增加1.72%,从而提供一个显著的改善还在吵闹的环境。在“设置2”中,存在对象瀑布被音乐明显减少OCSVM的性能,减少了测量了12.74%的清洁”2。“改进提供了8.02%的性能提升,导致一个测量高于70%。改善较低的清洁”设置2,“因为音乐的变化干扰使秋天和nonfall类的欧几里得距离更相似。Popescu的方法和Mahnot12)达到最高测量在这种情况下,确认好拒绝删除对象的声音事件的能力在干净的条件。在“设置3”中,该方法提高了性能4.77% OCSVM和8.68%对“Popescu和Mahnot(2009),“确认它能够达到最高的性能的三个最现实的场景。

总之,结果表明,改进的引入阶段显著提高性能的两个OCSVM只有方法和Popescu的方法和Mahnot [12]:平均结果在“1”“2”和“3”的绝对改善对前者是10.14%在干净的条件和4.84%在嘈杂的环境。对后者(12清洁状况的改善是19.96%和8.08%,嘈杂的环境。如数据所示9和10在清洁和嘈杂的环境测量方法的Popescu和Mahnot12)是接近75%在“1”和“2”和“3中接近71%。“不同的行为相比OCSVM只能归结方法首先音频信号的不同特征表示(MFCCs代替supervectors)。其次,[的策略采用分类:12),检测到信号分为windows和下降如果至少连续两个窗户被归类为下降。不同,在该算法中,整体的信号是由一个supervector并列为或nonfall下降。

比较干净(图中的结果9)和噪声(图10)条件下,很明显,技术减少加性噪声的影响是必要的。此外,建议的解决方案需要用户的干预选择模板后第一个分类阶段由OCSVM执行的。这方面将在以后的工作中加以解决,使该算法完全无监督。

6。结论

提出了一种结合OCSVM和改进分类器区分人类从nonfalls semisupervised框架。下降的信号捕获的地板声学传感器,然后MFCCs gms从收购中提取信号。正常和异常声之间的OCSVM歧视事件和改进阶段执行最后的秋天/ nonfall决定。这个阶段使用一组模板supervectors所代表的事件检测到异常OCSVM和用户标记为假阳性。算法的性能评估语料库包含人类瀑布复制human-mimicking娃娃和nonfalls下降的声音所代表的对象,人类活动,和音乐。为了证实方法的意义,它比较的方法12)和OCSVM唯一的方法。结果表明,在最现实的场景中,建议的解决方案提供了一个干净的条件和性能改进等于7.64% 4.77%在嘈杂的情况下对OCSVM只有方法和等于19.13%和8.68%对12]。

在未来工作,并发使用FAS,空中麦克风,和异构传感器将被认为是为了进一步提高算法的鲁棒性,外部干扰。此外,把用户从分类循环的可能性将会探索,例如,通过模板创建一组相关的对象在不同的环境中。最后,为了比较建议的解决方案和方法基于可穿戴设备,将创建一个适当的语料库,秋天和nonfall事件记录同时与环境和可穿戴传感器。

的利益冲突

作者宣称没有利益冲突。