文摘
由于严重影响落在的自主权和健康老年人的调查可穿戴的自动检测报警系统落了相当大的领域的科学兴趣的身体遥控无线传感器。因为困难的系统验证这些系统在实际应用场景,跌倒检测系统(fds)通常是评估通过研究应对数据集包含惯性传感器测量执行期间捕获标签nonfall和秋季运动。在这种背景下,在过去的十年中,大量的公开访问数据库发布了旨在提供一个共同的基准测试工具对fds验证的新建议。这项工作提供了一个比较和分析这些现有存储库更新。为此,中包含的样本数据集的特点是不同的统计模型的流动人体的不同方面的时间间隔最大加速度模块确定的变化。通过使用单向方差分析(方差分析)系列的这些特性,比较显示数据集之间的显著差异发现,即使比较活动需要一个类似程度的物理工作。这个异质性,这可能导致大变化的传感器,实验用户,和台用于生成数据集,是相关的,因为它的有效性提出了质疑fds的许多研究的结论,因为大多数文献只是评估建议的使用一个数据库。
1。介绍
下降,特别是老年人跌倒,是当前社会的主要社会问题。世界卫生组织报告说,全球每年有646000人死于瀑布,所以他们代表非故意伤害死亡的第二个原因车祸后(1]。在这方面,它已经表明,快速反应后可以降低住院的风险下降26%,死亡率80% (2]。因此,在过去的十年中,伟大的研究工作一直致力于发展高效、低成本的技术自动检测系统(fds)。
瀑布一般,含糊不清地定义为一个失去平衡或事故导致一个人休息不自觉地在地上或其他低水平(3]。大多数意外跌落可以很容易地区别于其他运动由人类视觉检查。然而,这个任务并不明显时由一个自动系统。因此,秋天的问题检测已经通过不同的方法解决,可以聚集成两大基本战略:上下文感知和可穿戴系统。在第一个策略,一个FDS可以通过将摄像机部署和其他环境传感器、压力传感器、麦克风等,附近的用户被监控。然而,在大多数实际情况下,病人可以追踪的流动更加适应和符合成本效益的方式采用轻量级的传感器,可以直接运输在衣服或另一个服装或一件首饰(例如,作为一个吊坠)。降低成本和普遍流行的电子衣物,特别是用于体育活动培养的采用这种类型的调查和实施fds运输解决方案。在可穿戴FDS,检测算法是永久负责分析传感器捕捉到的信号穿过的用户识别任何异常流动模式,可与下降的发生有关。一旦秋天是假定,一个报警信息(电话和短信)远程监控点(医疗前提和病人的相对)将由FDS转发。在绝大多数嵌入式体系结构、检测的决定是基于加速度计提供的测量数据,在某些情况下,一个陀螺仪(集成在同一个惯性测量单元,IMU),附在一个特定用户的身体的一部分。
FDS的总体目标是同时最小化的瀑布数量没有被发现和一代的假警报,也就是说,传统的运动或日常生活活动(ADLs)误解为下降。调查的一个关键因素是可穿戴FDS程序的检测算法将有条不紊地评估检查其实际能力歧视ADLs从瀑布。
在几乎所有的作品中存在的相关文献,fds对测试的一组标签运动包括ADLs和瀑布。为了重复分析通过改变探测技术和参数化算法,运动是之前录好的文件中包含了相应的时间戳和惯性传感器收集的测量。质量和使用数据集的代表性动作来评估一个关键方面的有效性评估。在这方面,据估计,有必要记录在70000年至100000年之间收集约100天实际下降持续监控的人超过65岁4]。由于明显的实际困难监测实际经验丰富的老人,紧随其后的是文学的一般步骤评估跌倒检测算法使用数据集的活动是一种故意实验用户创建的的痕迹。为此,实验的参与者通常执行一系列预定的运动时传输相应的可穿戴传感器在一个或几个自己的身体位置。这些运动通常包含不同类型的传统ADLs(坐、爬楼梯,从地板上捡起对象,等等)和瀑布,这是模仿考虑到不同的方面,如方向(横向和向后)或下降的原因(滑动,跌跌撞撞,跳闸)。
fds在几乎所有的初步研究,一群志愿者招募来生成一个特定的数据集是用于评估建议的体系结构。作者发布的这些数据集是很少让它们被其他研究人员使用验证新算法。解决缺乏一个基准测试框架,最近产生了不可忽视的数量的数据集和公开在网络上交叉比较fds和一个共同的参考。
通常年轻和健康的志愿者,模仿以系统的方式在“控制”的情况下,作为实际下降的老年人的代理人,仍然是一个有争议的问题领域的fds。通过追踪期间6个月两组人员共计16个老年人,把裙边等人进行了一项研究旨在比较现实的动力下降的老年人所模拟的中年志愿者(5]。从结果,作者得出结论,加速度的特性数据捕获的意外下降期间遵循类似的模式从模拟瀑布,虽然发现了一些显著的差异(例如,在瀑布的不同阶段的时间或在加速度大小测量影响对地板)。在类似的研究6]·可兰克等人相比实际的向后摔倒遭受四个年轻老年人所模仿的18个人。结果似乎表明,“补偿”的策略,以避免损害的影响其次是主体在意外跌落介绍相关的差异(例如,较高的波动运动加速度的变化)对模拟的情况。
此外,Bagala et al。7]表明,某些算法的有效性成功测试了对数据集的模拟瀑布时可能显著降低评估与跟踪捕获在一个真实的场景。在其他作品,比如通过Sucerquia et al .,为了避免假警报的能力提出了FDS评估通过监测老年人交通可穿戴的检测系统在他们的日常生活中。在这些情况下,探测器的灵敏度无法计算,除非真正下降发生在监测期间。类似的策略是由阿齐兹描述等人在8]。这些作者报告FDS的假警报的数量,这是基于支持向量机分类器,恶化时受雇于19个社区的老年人。在这种情况下,2所遭受的实际落参与者不确定的系统。
在任何情况下,这些研究都是基于一个非常小的分析真正的瀑布。事实是,我们所知,有远见的欧洲项目提供的存储库(9)是唯一的数据集提供惯性测量现实世界的瀑布的老年病人虽然再次公开可用的样本的数量,只有22岁,是相当有限的。因此,这项工作主要集中在这些数据集的基于模拟瀑布和ADLs(尽管在一些情况下,ADLs被捕而不是一个执行预定的活动在一个实验室,但通过监测参与者在他们的日常工作)。
另一方面,虽然使用公共和众所周知的数据集是获得越来越接受文献中,大多数研究的验证是基于使用只有一个或最多两个存储库。因此,出现一个问题就是关于推断的正确性的结果当另一个存储库是一个特定的数据集。
本研究的目的是回顾和比较的特点,现有的公共存储库的惯性测量用于fds的评估。
本文组织如下。部分2修改现有的数据集,synopsizing他们的基本性质和台(使用传感器,实验用户特点,和类型学的运动)部署到生成数据。还描述了部分标准来选择要比较的数据集。部分3介绍了统计特性用来描述数据集的痕迹的流动,而部分4比较了数据集通过方差分析的结果显示这些特征(方差分析)。总结了主要结论部分5。
2。修订和选择的公共数据集
正如上面提到的,一个关键的问题自动下降检测架构的发展是需要值得信任的存储库,可以用来彻底评估检测的准确性决定,即。系统的能力,正确识别ADLs和下降同时避免假警报和未被发现的瀑布。
表1作者提出了一个全面的列表、引用现有数据集的出版机构,每年用于可穿戴系统的研究。所有这些数据集包括收集的测量所穿的惯性传感器选择的志愿者在日常生活或在执行一组预配置的运动控制实验。在这个修订我们不包括那些可用的数据库(如惯性测量提出了(10]或[11)为其他类型的设想HAR(人类活动识别)系统但不合并跌倒代表活动。
在上下文感知系统(CAS)的情况下,不同的研究小组也发表包含测量数据集被固定摄像机,运动和深度传感器(如Kinect),和/或其他环境传感器(振动探测器、压力、红外和多普勒传感器,和近场成像系统),而一组志愿者模仿瀑布和ADLs预定义的试验台。在这些数据库中,我们可以提到以下几点:黄道眉鹀秋天识别(12),Le2i FDD [13],SDUFall [14],EDF&OCCU [15],eHomeSeniors [16,多个摄像机下降17]仿真库高质量的下降18],UTA [19],FUKinect-Fall [20.),或MEBIOMEC [21]数据集,以及红外视频剪辑被Mastoraky和Makris [22]或Adhikari等人提供的这些序列在23]。这些数据集是超出了本文的范围虽然我们考虑这些数据库,如你的下降或下降,这是测试混合CAS-type和可穿戴fds构想,即。,systems that make their detection decision from the joint analysis of video images (and/or magnitudes collected by environmental sensors) and measurements from inertial sensors transported by the users.
样品的数量,认为类型学的模拟ADLs和瀑布,和持续时间(即痕迹。,the duration of the recorded movements), as well as the basic characteristics of the participants (number, gender, weight, and age range) of each dataset, are enumerated in Table2。
表2说明的异质性标准用于定义样本的实验框架被俘,都对测试对象的选择和模拟运动的数量和类型。在某些存储库,如tFall ADLs没有模拟(计划和执行在一个实验室),但通过跟踪真实运动的受试者在一段时间。正如所料,在大多数情况下,运动是完全由志愿者在60岁之前。老年受试者的几台了,几乎没有老一辈的参与者模拟任何下降,所以他们的样本仅限于ADLs的例子。
表3反过来,总结的类型和基本性质(采样率和范围)的传感器用来生成存储库。表也表明下士惯性传感器的位置位于或附加实验。从表中可以观察到,虽然七传感位置一直认为,大多数数据集包括只是一个测点。在所有情况下,传感器嵌入,至少,一个加速计,较少,陀螺仪,磁强计,和/或一个方向传感器。在任何情况下,表中显示的数据的可变性的特点,传感器和采样率(例如,从10到200 Hz)和身体位置考虑再次收集不同台的测量。
在最近的文献对fds,使用一些公共数据集作为基准测试工具正变得越来越普遍。然而,在大多数研究中,只有一个或最多两个存储库是用来评估提出了检测算法的有效性。Khojasteh et al。24)采用四个数据集,虽然他们两个(DaLiac [25和癫痫26)数据库)不包含瀑布,它只允许评估系统的能力,以避免曲解ADLs瀑布。因此,大多数作品的结论主要是基于获得的结果当拟议的系统测试是一个非常特定的样本。
给定的巨大多样性的实验设置数据集生成,它是合法的质疑结论实现与一个特定的库可以外推到场景用不同类型的主题,运动(模拟),或一个不同的惯性传感器的参数化。
在这种背景下,Medrano等人利用三个库(tFall, DLR, MobiFall) (27)表明一个FDS的有效性基于监督机器学习策略显著减少歧视算法测试数据库时不同于用于培训。在最近的工作(28),我们得出的结论是,即使跟踪的算法是训练和测试相同的数据集和用户的质量指标分类过程可能显著不同。特别是,我们分析了深度学习分类器的性能(卷积神经网络)时单独训练和评估与探测器下降14展示在表的存储库1。结果清楚地表明,性能显著变化取决于探测器的数据集。
在下面几节中,我们深入分析代表数量的这些数据集的统计特性,深入了解现有的这些存储库之间的分歧。
2.1。选举相比的数据集
为了比较不同存储库提供的信号的性质在同等条件,我们只选择那些数据集包含惯性测量捕获在同一位置。特别是,在第一次的分析中,我们关注的是那些痕迹收集在腰几项研究[53- - - - - -57)表明,这是一个最适当的位置放置一个惯性传感器旨在描述身体的通用动力公司。这次选举受益于腰部是人体的重心附近站立的姿势。相比其他位置如肢体或胸部,腰部还提供了更好的人体工程学,因为它可以让用户传输可穿戴传感器几乎无缝的方式(例如,附加到腰带)。
确保执行分析的最小数量的样品,我们只考虑这些数据集,至少300个样本。LDPA,因此,我们抛弃你的,有远见的和测试数据集,虽然他们包括与传感器位于腰部捕获的痕迹。出于类似的原因,我们排除SMotion数据集45),这实际上是旨在评估下降风险而不是跌倒检测系统,因为它只包含5个瀑布。
最后,格拉茨UT OL数据集也丢弃的小范围使用加速度计(±2 g),它可以防止一个适当的表示引起的加速度峰值下降(通常超过4-5g)。
3所示。选择的特征分析
在大多数的文学作品,研究将基于信号收集的三轴加速度计( , , 为我th测量),提供的数据集。未来的研究应考虑的分析信号收集的陀螺仪,其次,磁强计。尽管如此,它仍在讨论中,提供的信息陀螺仪可以显著提高成功率的方法只是基于一个加速器信号(见[58修正这个问题)。
自由落体期间影响之前,崩溃通常提示突然下降的加速度分量,这是打断了尖锐的峰值加速度大小(有时是紧随其后的是几次高峰)产生的碰撞对地板(59]。因此,要定义一个公共基础比较的痕迹,呈现出各种各样的长度,我们关注每一个测量的时间间隔序列之间的差别最高的“山谷”(衰减)和峰值加速度检测组件。一旦提取分析区间,其余的跟踪将被忽略。为此,我们建立了一个滑动时间的观察窗tW= 0.5 s,组成的NW样品: 在哪里fs表示传感器的采样率。
寻找分析区间在每个跟踪,我们遵循的过程60]。因此,对于序列中的每个可能的观察窗,我们计算的最大加速度变化的大小组件( )作为 在哪里 , ,和designate组件的最大值测量的加速度计x- - - - - -,y- - -z -轴,分别米th滑动观测时间间隔。因此,为x设在,我们有
分析或观测间隔对应于连续样本子集 的最大的位于: 在哪里ko是第一个示例的指数分析的区间N表示基数(样品数量为每个轴)的痕迹。
为了比较不同的数据集,我们提取加速度分量的信号在分析区间计算以下十二个统计特性的所有痕迹。
所有这些功能都被经常采用的相关文献对FDS和人类活动识别系统(见,例如,描述的FDS (37,43,54,61年- - - - - -72年]或Vallabh所呈现的综合分析73年的Xi]或[74年])。(1)信号幅度均值向量( ),给一个想法的平均流动经历身体在分析区间。这意味着可以计算的 SMV的地方(我)代表了信号幅度矢量(SMV)的加速度我th示例: (2)标准偏差( )SMV的我),它描述了变化的加速度在观察窗: (3)平均绝对差( )连续两个样本之间的加速度模块,它估计 这个参数是非常有用的,因为它告诉对加速度的唐突的波动下降(75年]。(4)平均旋转角度( )可能有助于检测身体的身体方向的变化引起的下降(75年]。这个角是可计算的 (5)加速度分量的方向垂直于地板平面强烈取决于重力。因此,身体的倾斜引起的下降通常会触发一个值得注意的变化加速组件与地面平行平面时,个体仍然是静态的直立的姿势。描述的改变体位对站的位置,我们也计算平均大小( )向量由这两个加速度分量: 两人( , )加速组件可能或者代表( , )( , )或( , )根据加速度计在每个数据集的位置和方向。(6)上述的价值 ,给一个范围的洞察力的可变性三个加速度分量。(7)或最大峰值(SMV的一个关键元素来描述暴力对地面的影响: (8)“谷”或最低( )SMV的描述自由落体的阶段: (9)SMV的偏态我)( ),它描述了对称分布的加速度: (10)信号级区(SMA)[43]。这个参数,这是一个扩展特性用来评估身体活动,可以估计 (11)能源(E)。因为瀑布是相关的快速和充满活力的运动,我们也考虑能量的总和(E观察间隔期间)估计的三轴(72年]: 在哪里 , ,和 ,分别表示加速度的离散傅里叶变换组件 , ,在分析区间,直接可以计算的x设在) (12)自相关函数的均值( )加速度的大小在观测时间间隔: 在哪里R(米)代表了米th系列的滞后值的归一化自相关系数SMV [我]:
这个特性只要是考虑加速度通常在一个传统的活动表现出一定程度的自相关,可以影响造成的意想不到的动作。
4所示。数据集的比较和讨论
首次比较的统计特性不同的数据集,我们使用箱线图(或box-and-whisker情节),延长和直观的可视化工具,以标准化的方式显示数据分布。
数据1- - - - - -12显示的箱线图十二统计时分别计算ADLs和秋季运动的七个数据集下的研究。图,为每个数据集和类型的活动(ADL /下降),相应的统计中值用中央线在每个箱子第25和第75百分位数表示上下极限的盒子。虚线或“胡须”代表一个区间,根据盒1.5差(盒子的高度或四分位范围之间的第25和第75百分位数)。这些利润以外的所有数据(框和胡须)被认为是异常值和数据标记为红色的十字架。
(一)
(b)
(一)
(b)
(一)
(b)
(一)
(b)
(一)
(b)
(一)
(b)
(一)
(b)
(一)
(b)
(一)
(b)
(一)
(b)
(一)
(b)
(一)
(b)
图表显示了高的国际米兰,intravariability统计的痕迹。指intravariability,在每个存储库,分析确定大差间隔和大量的异常值几乎所有的特点,特别是ADLs。同样的,当不同的箱线图数据库相比,一个巨大的异质性也存在。
这intravariability数据集也明显(ADLs和下降)即使在基本特征的情况下,如平均加速度大小在观察窗(这被认为是与体内最大的改变加速度的时期)。所有的统计和ADLs和瀑布,我们可以观察到几双差间隔的数据集(集中样本的50%)甚至不重叠,即。,25%的四分位数的某个数据集展览的相应特征值高于75%的四分位数相同的功能的一个不同的数据集。此外,差的大小间隔强烈不同从一个库到另一个地方。在某些情况下,某些统计一个数据集的估计均值相比高出几倍。这是更明显的特征与垂直度的损失:指旋转角度( )和平均加速度的大小组件( )垂直于垂直面而站。
这些差异的统计学意义在存储库可以系统地证实了一个方差分析(方差分析)测试。数据13和14描绘的事后多重比较的估计意味着十二特性基于结果通过单向(或单因素方差分析)。酒吧的图,圆形标志表明的意思而相应比较区间线所代表的95%置信水平扩展的象征。组意味着被认为是明显不同的,如果间隔由行是不相交的。
(一)
(b)
(c)
(d)
(e)
(f)
(一)
(b)
(c)
(d)
(e)
(f)
每个子图在这两个数据显示,红色的,那些有特点明显不同的数据集意味着比下降或诽谤联盟运动的另一个数据集(标记为蓝色),这是作为一个参考的一个例子。在图中,我们可以看到很少有交叉比较,灰色,也不会拒绝零假设的差异意味着特征不显著相关。
这种不一致的描述不同的数据集也感激如果我们考虑其他时间的时间观察窗的最大加速度变化组件检测到。数据15和16给出了方差分析时应用于两个不同的观测特性计算间隔(分别为0.5秒和1)。为了简单起见,图表只显示一分之六特征虽然可以找到类似的差距如果其他六个功能。
(一)
(b)
(c)
(d)
(e)
(f)
(一)
(b)
(c)
(d)
(e)
(f)
4.1。比较不同类型的ADLs
在前一节中分析的差异可能是合理的,因为事实上术语“诽谤联盟”和“瀑布”可能隐藏一个巨大的各种不同的运动。为群体贴上ADLs尤其如此,因为他们可以包含活动从那些需要几乎没有努力,站着,等那些更多的体力(如运行)。尽管如此明显的异质性,作者的数据集通常选择的类型学ADLs模拟的志愿者没有先前讨论的程度的流动性,实际上要求所选活动。
为了最小化ADLs这种异质性的影响,我们建议有个性前面的方差分析研究考虑ADLs的性质(物理工作)。为此,我们还建议在76年),我们每个库的ADLs分割成三个通用的分类:基本普通运动(如起床,坐着,站着,躺着),标准程序,需要一些物理工作或更高程度的流动性或身体的倾斜(走路,爬楼梯上下,选择一个对象从地板上,和系鞋带),最后,体育运动(跑步,慢跑,跳,跳跃)。
通过考虑这种分类法,表4显示器和目录中包含的不同类型的ADLs和瀑布下7个数据集的分析。表显示每个子类在每个数据集是由相同的三个或四个类型的共同运动。因此,可以推测某种同质性。在两个数据集(DOFDA和IMUFD),没有体育活动。作为额外的“nonfall”运动,桌子也表明库包括瀑布附近的模拟,也就是说,失误,失误,旅行,或任何其他类型的意外动作涉及但不失去平衡导致下降。
系列的个性化的方差分析分析的六个数据集的统计特征描述的数据17和18(基本动作),数字19和20.(标准动作)和数字21和22(体育运动)。
(一)
(b)
(c)
(d)
(e)
(f)
(一)
(b)
(c)
(d)
(e)
(f)
(一)
(b)
(c)
(d)
(e)
(f)
(一)
(b)
(c)
(d)
(e)
(f)
(一)
(b)
(c)
(d)
(e)
(f)
(一)
(b)
(c)
(d)
(e)
(f)
尽管痕迹的分类和聚类,再图揭示了数据集的变化当他们互相比较。所有三种运动类型和指标,平均每六个统计特征的数据集是计算出显著不同,至少,另外两个数据集。数据表明,在的一个不可忽视的组合情况下(其中一些是用蓝色突出显示的图),可以拒绝零假设的比较一定意味着一个特定的数据集的意思相同的度量数据集。例如,5的6考虑功能的基本动作UMAFall库提供一个平均值明显不同的所有其他数据集。类似的行为中发现其他存储库和类型的动作(例如,体育活动数据集)。
可以达到一个类似的结论分析接近摔倒动作存在的两个数据集(IMUFD和Erciyes)。数据23和24确认这些运动的六个统计特征呈现平均值明显不同的两个存储库。
(一)
(b)
(c)
(d)
(e)
(f)
(一)
(b)
(c)
(d)
(e)
(f)
4.2。比较相同类型的运动:散步
统计特性的差异即使确诊的痕迹是相同类型的运动被认为是比较数据集的基础。数据25和26描述结果方差分析时只适用于那些运动样本(腰)贴上“行走”。我们选择这个ADL由于其重要性的fds在真实的场景中运动,通常先于落下来,因为它存在于七个数据集(DLR, DOFDA Erciyes, IMUFD, SisFall, UMAFall,和UP-Fall),雇佣一个传感器在腰上。从这些数据可以欣赏,甚至为了一个共同的身体活动如散步,特征显示数据集之间的显著差异。数据显示,只有三个特征( ,和 )不能拒绝零假设的,只要没有数据集展览意味着可以被认为是明显不同于其他数据库计算。对于某些特征(例如,注意没有重叠的时间间隔在相对应的图表或 )事后测试表明,所有或几乎所有的数据集都是显著不同。
(一)
(b)
(c)
(d)
(e)
(f)
(一)
(b)
(c)
(d)
(e)
(f)
4.3。手腕上的测量结果
证实了前面的结果,我们前面的分析应用于数据集包含测量捕捉到一个完全不同的体位:手腕。尽管特定(独立)流动的手腕,这个职位已经选择在大量研究fds位置来定位检测传感器。手腕比其他典型的位置提供给用户更好的人体工程学作为人类已经习惯戴手表。此外,商业smartwatches(本地提供惯性测量单元)可以用来部署FDS没有迫使用户传输任何辅助设备。在一些文章,考虑系统与多个传感mote, wrist-sensor可以用作备份节点确认检测决策从身体的测量结果在另一个区域。
将研究扩展到wrist-based测量,我们重复部分中描述的选择过程3并选择只有那些雇佣一个传感器的数据集在数据集(见表中的位置3)。因此,选择6个数据集:Erciyes UP-Fall,和UMAFall(已经使用在前面的分析获得的痕迹从腰),以及CMDFall SmartFall, Smartwatch数据集。
方差分析的结果分析的系列十二这六个数据集的统计特性(考虑当一个观察窗)中表示数据27和28(ADLs)和数字29日和30.(秋季运动)。
(一)
(b)
(c)
(d)
(e)
(f)
(一)
(b)
(c)
(d)
(e)
(f)
(一)
(b)
(c)
(d)
(e)
(f)
(一)
(b)
(c)
(d)
(e)
(f)
正如所料,图表显示甚至比获得更高的数据集之间的差异在腰上。
志愿者的方式是指示执行ADLs和下跌可能特别确定的位置和运动的手在活动。因此,测量动态可能非常依赖于实验,这减少了适用性的痕迹被外推到其他场景。
4.4。讨论
这种异构的存储库可以出于不同的因素,我们可以组如下:(我)技术因素:惯性传感器问题和局限性(偏见,校准问题,范围)会影响测量结果(2)工效学因素:虽然我们比较数据集的相似的身体测量区域(腰部),可以改变的确切位置测量传感器,传感装置的不适会导致在用户(这可能会影响的自然运动),或坚定的设备调整身体(3)因素由试验台的设计:数据集的变化不仅可以明确合理的内在变化(在数量和类型)的执行动作,还通过物理的特性设置动作的发生:路线的受试者在每个活动的执行,外部元素(楼梯、椅子和床)中使用的例程,或用来缓冲机制的影响下降(床垫、护肘和头盔)(iv)人为因素:最后,不仅可能影响的数据标准选择研究对象(尤其是年龄)也通过特定的培训(或命令)志愿者接收开展活动(尤其是瀑布)
5。结论
本文提出了深入研究现有的公共存储库用于验证基于这套检测系统(FDS)下降。本文比较和总结的主要基本特征多达25可用的数据集作为基准测试工具在fds的评价。
由于困难获得惯性测量的实际下降,这些数据库(除了一个)是由组织的志愿者,一组预先决定的执行ADLs(日常生活活动)和模仿lab-type控制环境。在这方面,大多数作品的文献评估他们的建议,通过分析他们的行为当他们应用于只有一个(最多两个)的数据集。为了间接评估测试的有效性一定FDS用单一数据集,我们有系统地比较了系列的统计特征中包含7这些存储库。分析数据集的选择标准是建立在一个共同立场的选举(腰)传感器位于测量集的基数。在任何情况下,也分析了运动捕获的手腕,我们还显示,结论可以推断如果身体其他地方更高程度的自治运动。
这项研究仅限于个加速器信号(如他们大量采用fds)的相关文献,定义并计算十二个人类迁移的统计特性来描述不同的属性为每个活动期间观察窗(固定时间)检测到的最大加速度大小变化。分析重复三个不同观测时间间隔不确定强一致性的特点从分析获得不同的痕迹。
特别是,通过方差分析分析,我们比较不同的统计数据的方式考虑的性质(下降或ADLs)活动。这种比较是重复在集群ADLs分成三个子目录(基本、标准和体育活动)取决于身体的努力,他们的需求。在所有情况下,一个显著的差异意味着被发现的几乎所有的数据和功能。得出了相同的结论,即使一个独特的和简单类型的标准运动(散步)选择比较数据库。
散度的数据集可以合理的一组广泛的复杂的相互作用的因素:活动的类型和数量(甚至对于那些在同一子类别),该方法执行程序动作,实验对象的特点、范围,质量,和人体工程学的传感器,传感设备的系,和元素用于缓冲瀑布。从这个意义上说,这项研究揭示了一个明显缺乏共识过程遵循定义生成的数据集的实验台。例如,只有一个研究的数据集包括(nonlabelled ADLs)样本捕获而监控的实际日常工作的志愿者。
在任何情况下,突出显示的数据集的异质性这次调查质疑这些研究的结果,测试FDS对单个存储库。由于复杂的方法目前使用的文学,通常基于机器学习或深度学习技术,一些研究取得了质量指标(敏感性和特异性)承认ADLs,瀑布非常接近100%。然而,这些作品通常不会评估这些方法来推断的能力比考虑这些积极的结果在使用其他数据集在FDS的初始培训和验证。
记住这一点,我们不应该忽视要么FDS系统研究的可信度仍受到缺乏数据集的数量代表的真实瀑布的老年人(这些紧急的目标人群系统),可以利用基准检测方法在一个更现实的场景。
数据可用性
摘要数据集采用公开在互联网上。url来访问它们的作者提供的数据在相应的引用(参见参考资料)。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是支持菲德尔基金(在格兰特uma18 - federja - 022)和马拉加,大学校园de Excelencia国际队安达卢西亚科技。