文摘

跌倒检测是一项非常具有挑战性的任务但有意义的人类活动识别健康监测。然而,对于传感器下降预测问题,利用周期性结构如复发性神经网络模型来提取时间功能有时不能准确地捕捉全球信息。因此,提出一种改进的WTCN模型在这个研究中,时间的卷积网络与小波变换相结合。首先,我们使用小波变换来处理一维时域信号转化为一个二维的时频域信号。这个方法能帮助我们有效地处理原始信号数据。其次,我们设计一个时间卷积网络模型与超长的记忆指的是有关卷积架构。它避免了梯度消失和爆炸问题有用。此外,本文还进行了实验比较WTCN模型等典型的周期性结构长期短期记忆网络结合三个数据集,UniMiB莎尔,SisFall, UMAFall。结果表明,WTCN优于其他传统方法,该算法的精度是99.53%,和人类行为可以有效地实时识别。

1。介绍

人类活动识别(HAR)是一个快速增长,并承诺与目前很多应用程序数据科学的分支,包括医疗监控(1,2),智能家居3),和秋天检测(4]。其中,检测是最重要的一个研究主题在哈尔。据世界卫生组织(世卫组织)[5),是全球意外死亡的第二大原因。然而,假设这种行为是及时监控和警告。治疗可以显著减少所需的时间,从而有效地减少伤害和死亡后的潜在风险下降。因此,提出的模型具有重要意义与高精度识别行为下降和应用合适的场景和组。

可穿戴传感器是人类行为的基础识别系统,包括秋季检测(6]。在这个阶段,识别人类下跌的方法主要分为基于信号和视觉传感器。信号传感器、加速度计、陀螺仪和磁力计可以形成一个惯性测量单元(IMU)加速度计检测线性运动和重力通过测量加速度三轴( );陀螺仪用于测量旋转速度,包括辊、偏航和音高。此外,随着摄影技术的发展,如还装有的广泛使用,使用可穿戴的实践相机落在哈尔领域检测增加了在过去的几年里(7- - - - - -10]。传感器的图像和视频处理功能都进行了广泛的调查在这个领域(11,12),这些方法也从ieee传感器技术方面有显著的差异。跌倒检测基于视觉传感器广泛应用不如ieee传感器由于约束,如复杂的场景和需要考虑参与者的隐私问题(13]。因此,尽管它们的重要性在哈尔应用程序中,本文只计划专注于ieee传感器下降的行为。

机器学习和深度学习带来了破坏性的变化在过去的十年中,许多领域包括图像识别、目标检测、语音识别和自然语言处理。作为一个典型的行为识别问题,许多传统的机器学习和深度学习算法解决了传感器检测,效果很好。模型包括支持向量机(SVM) [14),谷歌的深层神经网络(款)15],卷积神经网络(CNN) [16- - - - - -19网络(LSTM)[],长期短期记忆20.,21递归神经网络(RNN) [],22- - - - - -24]。然而,当电流下降检测基于信号传感器适用于深度学习网络,特别是使用递归结构如一个RNN模型,有时挑战捕捉全球信息的时间特性有效和准确的。因此,本文提出了一种新的模式,小波transform-temporal卷积网络(WTCN),以提高预测精度。

特别地,我们构建一个改善WTCN跌倒检测系统通过使用一个轻量级的时间卷积网络(TCN)的主要结构和嵌入小波变换的信号处理过程。其中,小波变换有效地帮助我们处理原始信号数据;TCN的深层结构补偿缺乏一个周期性结构稳定的梯度的优势,灵活的接受域大小、低内存要求培训,变长输入(图1)。此外,本文还使用一个辍学层抑制过度拟合的模型和变化PRelu所有激活功能。最后,我们应用不同深度学习模型(CNN, LSTM, CNN + LSTM TCN,和WTCN)的数据集(包括UniMiB SHAR、SisFall和UMAFall)重组我们的研究团队在实验和比较它们的检测性能下降。结果表明,WTCN优于基线递归结构四个方面的损失函数,准确性,回忆,和精度。

总而言之,本文的主要贡献如下:(1)数据集而言,我们的团队重组范围广泛的公开数据集上人类活动,包括行为,涉及UMAFall, SisFall, UniMiB莎尔。此外,我们国家日常生活的行为(DAL)和下降(下降)在这三个数据集和清理冗余和无效的数据(2)关于数据处理,本文中所使用的小波变换方法能提高模型的预测能力在一定程度上。具体来说,二维图像,从一维数据,同时包含时间和频率域,从而使一个完整的信号特征。这个程序还提供了后续的基础行为提高识别的准确性下降(3)在模型构建部分,提出了一种新型WTCN改善跌倒检测的效率。为了测试这个模型的识别效果,我们将它与CNN, LSTM, CNN + LSTM TCN网络基于基线,上面提到的综合数据集。实验结果表明,我们提出的模型具有更好的性能和更高的识别和分类精度,也可以为后续的研究提供有启发性的观点(4)作为一个整体,没有其他研究人员已经发现使用集成TCN模型检测,因此本文补充和证明,它是一个相对大模型well-performed结果在这个领域

本文的其余部分描述如下。部分2说明了开发和相关作品参与跌倒检测算法的概述,包括介绍深入学习网络,我们准备改善模型。部分3显示了我们的整个框架WTCN模型,其中包括休闲隆起和扩张的隆起,TCN网络组件和小波变换。部分4描述了三个数据集的初始情况和预处理过程由我们的团队的过程。此外,这一部分还添加了一些细节相关的训练过程,和实验设置。部分5显示了我们的实验结果,并讨论。最后,部分6最后总结本文的主要工作。

2。相关工作

在这个阶段,机器学习和深度学习算法被广泛用于HAR。增加公共数据集、硬件加速功能和算法的进步为研究人员提供了一个坚实的基础来开发模型的性能和复杂性。这一节将描述算法应用于领域的检测。

机器学习算法自动识别分类功能,学习数据属性和构建分类模型。如果秋天检测被认为是一个典型的分类问题,基于训练集组成的下降和non-fall数据,典型的机器学习算法,如支持向量机(14,25,26],[款15),提高了决策树(BDT)、人工神经网络(ANN) [27),而 - - - - - -最近邻( - - - - - -NN) [28),可用于构建跌倒检测模型(29日- - - - - -31日]。Mrozek et al。32)提出了可扩展的系统架构为远程监控的行为在一个老年人口下降几个机器学习算法的适用性检测过程评估。具体地说,研究人员验证随机森林(RF),安,支持向量机,和BDT分类器,BDT表现最好,平均精度达到99% SisFall数据集。然而,特征选择是关键的成功或失败的机器学习算法,和秋天检测的准确性可以显著影响如果手动提取特性不理想。

机器上优于秋季检测算法相比,深度学习算法可以自动选择功能和强大的学习能力。目前,存在某些深刻的学习算法,显示他们有能力捕捉当地的特点和领域取得了显著的性能检测,如CNN, RNN, LSTM。具体地说,与完全连接神经网络相比,CNN的锥体结构使他们总低级地方特色为高层语义结构,它允许他们进一步了解优越的特性。有几种机制CNN-based时间序列的分类问题,可以分为两类。第一个将使用时间序列数据作为输入1 d网格。例如,郑et al。33,34)单独的多元时间序列到单变量时间序列,然后执行功能学习在每一个单变量单独系列。第二类将一维时间序列数据转换为二维图像特征,将随后处理。例如,一些研究人员试图编码时间序列数据使用短时傅里叶变换成二维图像作为输入到CNN (35,36]。这些研究也为原始传感器信号处理提供参考。

自1991年提出以来[37与时间序列作为输入,RNN已广泛用于人类活动分类或姿态估计38- - - - - -44]。许多研究人员进行了大量的工作来提高RNN的性能模型在哈尔45- - - - - -47,托提et al。48提出一个RNN跌倒检测适合单片机嵌入式系统实现,总检出率为98%。值得注意的是,其输入信号的时间处理比可达0.3,证明该模型的可行性的实时远程监控。一些学者设计了各种RNN-based模型,包括IndRNN [49],CTRNN [50],PerRNN [51],CBO-RNN [52]。

跌倒检测任务会表现得更好当模型建立上下文信息和较长的时间间隔。然而,这可能导致梯度消失或爆炸问题当反向传播(53执行)。LSTM [54]介绍了应对这些挑战。值得注意的是,LSTM已被证明解决RNN的长期依赖性问题,和先前的研究已经证明了高性能的LSTM HAR (55,56]。研究人员还探索相关架构LSTM提高哈尔的基线数据集。例如,胡锦涛等。57提出了一个损失函数,Zebin et al。51)结合LSTM和批处理标准化预测精度达到92%原始加速度计和陀螺仪数据,而德和Roggen [58CNN和LSTM]提出了一种混合模型(DeepConvLSTM)活动识别基于多通道的数据可穿戴传感器。此外,其他研究人员已经开发出CNN-LSTM模型对于不同的应用场景相结合的特征提取能力CNN和LSTM[的时间序列数据处理能力59- - - - - -66年]。

这些研究证明深度学习网络模型的潜在应用领域的检测。许多检测算法可以实现高精度和成功地从传感器数据提取用户的活动状态。与深入研究,我们发现使用单一算法有一定的局限性,难以适应变化在人类行为在不同的场景中。相比之下,混合算法显示了巨大的优越性。结合不同的算法的优点,可以更好地处理multienvironment和multipose任务分类问题。此外,通过观察ADLs加速度计信号和在数据库中,我们发现下降运动的持续时间相对较短,这意味着比时域频域更有意义。具体来说,的一些行动ADLs和瀑布是类似的时域分析时,如躺着从站和落后。然而,它变得相对容易区分后将这些行动转化为频域的信号波形。因此,为了进一步提高识别精度的检测,结合以前的研究和我们的观察,本文采用小波变换方法处理原始传感器信号数据。它可以最大限度地保留的信息链接和行动之前和之后的时间特性。

正如前面解释在本节中,研究人员利用经典的深度学习算法来实现网络的记忆状态之前的信息,比如使用RNN CNN + LSTM单独或混合使用。然而,不同程度,模型在这些研究中受到缓慢的运行时间,僵化的感官域,梯度消失和爆炸,和高内存使用。总之,CNN-based改善TCN网络模型已被选为培训来实现我们的优化目标。也就是这种新模型可以满足自动提取信号的特性。同时,网络之前的记忆序列信息,从而帮助对秋天检测高效和准确的决策。具体地说,我们模型的改进与其他研究相比,概述如下:(我)有一个优化的运行时间。给定一个时间序列信号,我们的模型允许网络映射的输入直接得到结果,而无需像RNN顺序处理,不能并行(2)它可以执行稳定的梯度下降法。与梯度消失和爆炸问题通常存在于RNN,剩余网络包括在TCN模型本文可以在一定程度上解决这些问题(3)它有一个较低的内存占用。与相同数量的层,我们的模型运行和更少的内存的共享内回旋的内核层,RNN相比,可以节省信息每一步

3所示。框架

首先,我们简要描述WTCN模型的主要结构,包括休闲隆起和扩张的隆起。然后,我们给一个简短的帐户使用的网络组件,如体重标准,残块,辍学。第三,我们介绍了小波变换与我们更新三维加速度传感器的信号。最后,应用连续小波变换的结果和TCN WTCN。总体架构如图2。

3.1。扩张随意旋转

本文中的输入数据用于跌倒检测时间序列数据的获得是通过加速度计组在一个特定的采样率。因此,在引入扩张随意旋转网络之前,我们首先介绍序列建模任务的性质。我们使用加速度传感器获得电信号序列 作为函数的输入模拟数字转换过程后,和希望来预测相应的检测结果 。约束的关键是,我们只使用先前观察到的输入来预测 。数学形式,序列建模网络功能产生上述映射,令人满意 (67年]。然后,序列建模任务的目标是找到一个网络这是训练减少损失函数的预测和实际的结果。

模型序列,我们需要处理变长序列,跟踪长期依赖关系,维护订单信息和共享参数序列。RNNs满足这些序列建模设计标准和被认为是一个通用模型处理序列建模任务。然而,tcn胜过RNNs特定任务和数据集,如Seq,诺丁汉MNIST和音乐67年]。

对tcn的特点,首先,这个网络可以采取任何长度的输入序列并将其映射到输出序列的长度相同。其次,因为TCN网络采用的卷积层因果卷积,它可以避免数据泄漏问题从未来回到过去68年,69年]。然而,当处理任务长序列的长度,为了获得足够的历史信息,网络深度或卷积核的大小会增加随着TCN输入序列长度的增加。因此,梯度爆炸或梯度消失更可能发生在培训过程。因此,介绍了扩张的卷积来解决这个主要的缺点。这个结构设置一个固定的步长为每两个相邻卷积核,它使一个指数更大的接受域(70年]。使用更大的扩张使输出在顶层代表更大范围的输入。因此,接受域可以覆盖所有输入序列数据。因此,扩张因果卷积结构如图3,其中有3扩张与膨胀因素因果的隆起 和过滤器尺寸2。输出接受域可以达到 。

接下来是本文的具体设计扩张随意旋转。首先,我们指定接受域。具体来说,假设内核大小和扩张因果卷积层数 ,扩张将对于每一个层,第一层的接受域网络可以达到系列长度,第二层的接受域网络可以达到 ,和第n层的接受域网络可以达到 系列的长度。第二,为了延长扩张与接受领域的因果的卷积序列长度的输入信号,网络需要满足的条件 。因此,公式卷积核的大小和数量的卷积层需要满足可以表示为

3.2。剩余的连接

剩余连接演示使用添加剂的好处合并在图像识别的信号,尤其是目标检测(71年]。一些研究人员认为剩余连接必不可少的训练深架构(71年- - - - - -73年]。TCN的接受域更依赖于卷积深度、内核大小,和网络的扩张,可能出现问题,如网络降解随着网络的深度增加。因此,为了确保我们的网络可以有效地训练和稳定,在介绍了TCN模型剩余模块而不是传统的卷积层结构,呈现在图4。

具体地说,网络结构,有一层扩张因果卷积和非线性激活函数ReLU块。正常化,体重规范化卷积内核使用。此外,我们还添加辍学正规化后扩张因果卷积,从而在一定程度上避免过度拟合的问题。在以后的实验课程,我们尝试添加更多回旋的层或修改激活函数来探索最佳块设计。

3.3。小波变换

通常,不能轻易看到的信息在时域中可以看到频率域。目前,最常用的方法有两种时域转换成频域:傅里叶变换和小波变换74年]。然而,没有时间信息的傅里叶变换的信号。在分析检测数据,我们更感兴趣的是光谱分量发生在什么时间间隔。因此,小波变换更适合分析时频表示。

小波变换是光谱分析的数学方法开发了基于傅里叶变换(75年,76年]。它能自动适应时频信号分析的要求,“延伸”和“翻译”,所以它可以专注于任意信号的细节(77年]。小波变换方法可分为离散小波变换(DWT)和连续小波变换(CWT) [78年]。根据被分析信号的空间维度,连续小波变换可以采取不同的形式,如一维、二维(79年]。本文计划利用一维连续小波变换进行进一步的研究。

一维连续小波变换的数学过程可以描述如下:首先,获得一系列subwavelet功能的延伸和翻译母小波函数;其次,做卷积与未经处理的信号;最后,得到一组小波系数矩阵(如图5)。

经过几十年的发展,学者们提出了不同的小波函数,包括哈雾(80年],Morlet [81年],Daubechies [82年],Coiflets [83年],MexicanHat [84年),和其他小波。每个小波具有不同的属性,如支持长度、滤波器长度和中心频率。我们可以选择合适的小波函数根据实际加工需求进行研究。

4所示。实验

4.1。跌倒检测任务

我们评估了cnn, RNNs, WTCNs基准数据集通常用于秋天检测任务。数据集应用于检测任务由两种主要类型:应用数据和传感器的数据集。建立数据集的例子有k (85年]和Wieszmann [86年]。传感器,传感器数据集包括四种类型:对象可穿戴传感器、混合传感器和环境传感器。Vankastern基准(87年和周围的厨房88年)是基于传感器数据集对象,UCI-HAR和WISDM89年)是可穿戴传感器数据集,和机会89年]是一种混合传感器数据集,光芒四射90年)是一个环境传感器数据集。本文主要关注基于对象的数据集传感器(主要是智能手机),特别是UniMiB莎尔(14),和可穿戴传感器类型,SisFall [91年],UMAFall [92年]。表1显示这三个数据集的基本信息,包括类型的传感器,收集的频率信号,年龄和性别的受试者。此外,图6显示更多的信息关于实验对象的传感器的位置使用可视化图像。

以下4.4.1。传感器数据集对象

UniMiB-SHAR数据集(14)是获得与Android智能手机应用程序从30科目(6男24女)人类活动的识别和检测。数据采样频率为50 Hz使用三星智能手机的3 d加速计,包括11771个样本的人类活动和瀑布。

在这个数据集,每个加速度计信号划分为一个窗口几乎每次3秒(151个样本)加速度计信号的峰值位于左右时间当这个信号的大小比1.5高(与重力加速度)。在预览时大小低于0。此外,这是一个公开的数据集,许多研究人员直接用来训练和测试他们的模型(93年- - - - - -95年]。我们也从这个数据集包含的所有数据。

4.1.2。可穿戴传感器数据集

SisFall是一个公开的数据集,它包含记录日常生活的人类活动和瀑布(91年]。与大多数数据集的基于智能手机(96年,97年)收集数据,它使用一个专门定制的传感装置。在这个数据集,数据来自两个三轴加速度计(ADXL345和MMA8451Q)和一个三轴陀螺仪(ITG3200)。此外,采样频率为200赫兹,和收购站点实验对象的腰带。

此外,UMA-Fall数据集(92年从不同的测试对象包括746个样本。实验数据收集从五个无线传感器放置在主题,包括智能手机和四个传感器。关于这五个传感器的位置,智能手机是放在主题的口袋里,和四个传感器被戴在受试者的脚踝、手腕,胸,腰,分别。所有五个传感器传输三轴加速度计,三轴陀螺仪和磁强计数据通过蓝牙。

4.1.3。集成的可穿戴传感器标准数据集

SisFall和UMAFall可穿戴传感器数据集,都有长时间序列信号相比UniMiB莎尔。正如前面提到的,使用non-categorical样本数据来自不同的身体位置可以显著减少预测模型的准确性。UMAFall是来自五个不同的位置,我们的团队已经排序,只包括其信号从腰传感器集成的数据库。值得注意的是,采样频率的SisFall和UMAFall数据库不同,分别为200赫兹和20赫兹,(在本例中,我们只考虑腰部可穿戴传感器)。因此,我们首先需要downsample SisFall的信号数据200赫兹到20赫兹(图7),从而使我们进一步分析秋季运动随后使用相同的结算数据采样频率。

将采样后,我们需要做分割过程(图8,标志着红色字段数据分割窗口)。

首先,根据时间序列信号的特点,在秋天行为SisFall数据集,利率变化大的区域,(> 1.5 , 重力加速度)在重力加速度数据过程发生之前和之后的所有特征行为。此外,对象的序列长度传感器数据和可穿戴传感器数据集是不一致的,前者有一个固定的序列长度为151,后者有一个序列长度ADLs多达2000的和300的下降。因为我们想验证我们的WTCN模型的性能与低频可穿戴传感器和确保数据处理的可穿戴传感器和UniMiB-SHAR数据集的输入序列相似的长度,一个信号窗口的10年代选择选择拦截数据。

其次,根据试验数据需要进一步分割不同的操作类型的长度。具体地说,因为每个试验的不同长度ADLs和瀑布,我们使用10年代长信号分段数据窗口中,基于时间序列数据的不同的操作类型被分成不同的组。我们第一次分段时间序列数据的四种分布类型(D01慢慢地走,走D02很快,慢慢D03慢跑,和D04慢跑快),最后分成十组。其次,因为有三个ADLs试验长度25 s (D05楼上和楼下慢慢行走,D06楼上和楼下走快,D17站,进入一辆车,剩下的坐着,和下车),我们分成两组。除此之外,其余的行为类型分组。在这一点上,我们已经处理的数据获取窗口样本时间序列长度为200 (20 Hz采样率,10 s长度)。

此外,我们还分析了实验对象从原始基线数据库和排除不相关的数据。特别,SisFall数据库中,只有SE06(与高水平的老年人健康)进行了实验,其余的老年人只ADLs所做的那样。因此,以确保一致的数据比例为ADLs和下降动作标签,我们排除了反诽谤联盟的数据样本的老年人群体除了SE06和包括SE06在综合数据库的数据。

4.2。模型设置

关于模型设置为整个网络结构,每一层的参数如表所示2。网络来源是一个三通道加速度传感器,每个频道都是一个一维的数据序列长度 。输入数据流在小波变换块6堆叠TCN块,和一个完全连接(FC)层(log_softmax)。网络的输出相比下降或诽谤联盟标签,然后是错误backpropagated更新网络。在当前的工作中,虽然有许多母亲广泛使用连续小波变换小波,我们只选择其中几个:Morlet小波,墨西哥帽小波和高斯。

此外,基于块的残余连接部分中提到3所示。2,进行进一步的修改,如提出的更换与PReLU ReLU层。具体而言,PReLU(参数修正线性单元)是一个激活函数,而牺牲hard-zero稀疏的梯度,因此在优化[更健壮98年]。这个函数显示为方程(2)(显示一个不同的频道),是更新的参数率按照方程(3)。

4.3。绩效评估和比较

本文使用NLLLOSS(负对数似损失)作为损失函数在模型训练。此外,训练一个分类问题是有帮助的两类(见表3)。此外,我们需要准确、精度和召回时模型评价指标模型的测试。(1) (2) (3)

4.4。模型训练

我们的深度学习模型使用PyTorch库实现。计算平台是配备了一个AMD Ryzen 5 3500 x 6-Core在3.59 GHz处理器,16.0 GB RAM和6 GB NVIDIA GeForce GTX 1660超级GPU。所有参数的模型采用正交随机初始化,和一个亚当优化器是采用反向传播学习当模型训练。批处理大小和时代是32岁和30岁。最初的学习速率并将小每10时代。

4.5。与艺术的状态进行比较

在本节中,我们将使用的最先进的模型设置的比较实验。

最先进的CNN通常包括3 d加速数据由一个输入层,一层卷积其次是非线性和池层,和一个完全连接层。卷积层中,我们应用许多一维卷积核一个输入信号由几个飞机。此外,卷积内核自动学习当地和短期在时域特性。激活和最大池层后,特征图谱将被夷为平地,通过一个完全连接层。最后,将计算每个类的概率softmax层。

LSTM可以准确地记住从新的输入有效信息在时域,而忘记它不再需要长时记忆信息。首先,我们输入三维序列长度相同的电信号LSTM网络。然后,它将所有最新的隐藏节点序列输入完全连接网络后再记忆。最后,分类概率预测的模型通过将softmax层。

混合卷积和复发性网络结构通常用于基准测试一维信号数据。同样,本文构建我们的混合(CNN-LSTM)模型。具体来说,我们首先输入信号数据地图通过卷积层获得时域特性。随后,我们进入到LSTM网络学习长期时间信息。结果,分类结果后可以获得LSTM紧随其后的是一个完全连接和softmax层。

此外,我们设计了基于TCN的控制实验。表4显示参数设置的细节设计最先进的模型。

5。结果与讨论

5.1。不同的轴: - - - - - -轴

本节需要识别的尺寸轴的加速度数据模型执行最好的。首先,我们输入 - - - - - -, - - - - - -,和 - - - - - -轴的加速度传感器数据,分别到模型和训练它。我们发现这四个指标来评估模型的性能相似维加速度轴输入时,从而表明该模型对一维输入数据源的敏感度相对一致。研究模型的灵敏度的数据源,我们使用三轴加速度数据进行比较实验。如图9,我们发现三轴加速度输入数据可以实现更好的性能在WTCN模型相比,一维输入,和它的精度可以达到99.36%。

5.2。块Trial-1深块

在本节中,我们试图通过调整来优化网络的深度TCN块。正如前面所提到的,我们假设,模型构建阶段的性能最好TCN块当剩余矩阵TCN块是一层。为了验证这个假设,我们第一次增加了TCN的卷积层块2和实验进行了比较。结果表明,四个评价指标(损失函数、召回、准确性和精度)的TCN块两层剩余矩阵在训练过程中波动超过TCN块与一个层(见图10)。这种性能不利于速度模型的收敛性。因此,我们决定使用一个1-layer剩余矩阵TCN块中更好地适应的结果,这是更多的时间和资源。

5.3。网络变化(内核数量/尺寸/内核层大小)

我们应该首先找到最优的卷积内核数量模型网络的变化。基于实验结果部分5.1(TCN块结构的一层卷积深度),我们尝试改变内核数量。正如前面所提到的,我们假设模型中构建阶段性能最好当卷积内核的数量是16。为了测试我们的假设,我们进行了比较实验通过调整卷积内核的数量4、8、16和32。结果表明,聚合速度损失函数为16和32内核;此外,模型的准确性与16个内核数量稳步增长在培训过程中,最后的结果是99.53%比其他内核数据(图11)。因此,我们的研究使用了一个模型与卷积核的数量设置为16来获得更好的性能。

此外,我们需要调查网络深度WTCN模型如何影响训练的结果。我们强调,因为感官域应该覆盖所有序列数据,当我们改变网络层的数量,相应的内核大小卷积内核应该调整。在培训过程中,我们发现的准确性和精度指标五和七层网络波动明显;6-layer网络更稳定,精度为99.53%(图12)。因此,6-layer深度和9-kernel大小网络模型是用于我们的学习。

5.4。不同的小波

到目前为止,我们已经调整网络参数和结构得到更好的预测精度。我们应该选择最优母小波处理原始数据。以前,我们只使用墨西哥帽小波。在本部分中,我们试图尝试两个功能:Morlet Gaus1。Gaus1和墨西哥帽小波显示相同的好成绩(图13)。具体来说,我们分析它,发现墨西哥帽小波是高斯函数的二阶导数,显示Gaus1一样的预测能力。因此,我们最终决定在墨西哥,因为它更好的性能和提高准确性。

5.5。总结和比较的结果与先前的方法

总之,相比1 dcnn LSTM,混合,和基线TCN网络,WTCN模型取得了最佳的性能在UniMib-SHAR SisFall-UMAFall数据集。具体来说,SisFall-UMAFall UniMib-SHAR精度是99.53%和98.87%,分别为(表5)。

此外,我们的团队还测试了start-of-the-art模型的计算时间,结果如表所示6。我们发现WTCN远远高于LSTM模型和略高于混合(CNNN + LSTM)模型,但略低于1 dcnn和TCN。分析原因,首先,随着1 dcnn模型卷积层少于WTCN模型,计算消耗的数量在实验期间我们团队小于WTCN。因此,计算消耗时间略低于WTCN。其次,WTCN模型有一个额外的一层小波变换对TCN模型相比,它增加了更多的在小波变换计算时间。在未来,我们需要进一步关注降低模型的复杂度,同时保证预测的精度,从而降低延时预测模型应用到实际应用的时候。

此外,表7显示了WTCN之间的性能比较结果和其他现有的模型。作为以前的论文倾向于采用公共数据集直接代替整合多个数据集,我们所做的,我们的比较和讨论是基于UniMib-SHAR数据集。总的来说,我们的WTCN优于几乎所有先前的模型。此外,可以看出深度学习模型的识别精度(EnsemConvNet 1 d-cnn、RNN-LSTM WTCN)比的机器学习模型(SVM和款)在跌倒检测任务。除此之外,值得注意的是,尽管EnsemConvNet取得了出色的性能,它是一个相对复杂的模型,包括CNN-Net, Encoded-Net, CNN-LSTM。为了达到准确性和明度之间的权衡,我们希望设计一个光WCTN模型,这将是适合安装在手机或其他可穿戴设备在未来。

6。结论

秋天检测是最具挑战性的任务之一在人类行为识别领域。为了解决存在的问题CNN和RNN当它们用于这些任务,well-performed颞卷积网络(TCN)和小波变换提出了。小波变换已被证明的优秀的能力从1 d, 2 d变换原始信号从原始信号数据不丢失细节。此外,因为TCN网络深层因果卷积层次结构和独特的残余连接,它可以处理长序列在时间序列数据。通过优化参数,我们设计一个WTCN梯度模型与超长的记忆和稳定,这是自回归预测的能力。一个实验比较WTCN模型和典型的递归结构如LSTM验证开发方法的鲁棒性。

未来的工作将在几个方向扩展。首先,需要补充现实的瀑布年龄更大的年龄组(> 60岁)的数据尽可能多。具体来说,秋天检测研究的主要问题是很难获得真实数据,因为它是具有挑战性的捕捉现实生活中的这种类型的数据设置的老年人。然而,它是必要的和有意义的补充这种数据为了预测模型在现实生活中工作。其次,鉴于现实的复杂性行为发生,设计一个健壮的预测方法,对转化的条件是至关重要的跌倒检测从实验室研究到健康监测的实际应用。此外,基于模型和数据驱动的预测方法可以达到高度的识别精度,泛化能力等也有局限性。因此,未来的研究也可以关注混合模型来探索不同模型结合的可能性,充分利用他们的优势。

数据可用性

原始加速度数据支持我们的研究论文从三个公共数据集(UniMiB SHAR、SisFall UMAFall),已被引用在主手稿。此外,我们的团队也可以集成的数据处理。为了帮助未来的研究,我们上传综合数据集https://www.kaggle.com/datasets/scoutofdan/fall-detection-dateset。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

本文是基础研究基金支持的中央大学重庆大学(2021 cdskxyty003)。作者非常感谢支持。