深复发性神经网络边缘监测个人风险和预警情况

文摘

意外下降的主要原因是致命的和非致命的伤害,这通常导致住院老年人。可穿戴系统能够检测意外跌落和发送远程通知显然将这样的科目提高生活的质量,还有助于减少公共卫生费用。在本文中,我们描述一个边缘计算基于深度学习的可穿戴系统技术。特别是,我们特别留意的描述分类和通信模块,已由记住计算能力的限制而言,内存占用和功耗的设计可穿戴设备。因此开发的系统能够实时分类3 d-accelerometer信号和发行远程警报而保持低功耗和提高文献中目前最先进的解决方案。

1。介绍

如今,意外跌落是致命伤害的主要原因之一。此外,他们是最常见的住院原因后非致命的创伤。一项由世界卫生组织(1)强调,25%的人年龄超过65岁每年秋天,与一个比70年增加32% - -42%,如果只考虑。此外,即使下降会导致那么严重的伤害,相关的不适明显降低了生活质量。值得注意的是,不仅影响老年人意外跌落,每个人与脆弱性相关,例如,术后条件,残疾,或任何其他疾病影响流动性是类似的统计数据的一部分。此外,众所周知,大多数意外跌落的家庭环境。

这些事实突出的重要性,一个自动化的系统能够检测意外跌落发送远程通知,以便及时帮助。在文献中描述的不同方法,嵌入可穿戴设备正在成为这类系统的最佳选择。这主要是由于他们的低侵入性,降低功耗和成本效益。此外,最近的创新微控制器单元(MCU),通常用于可穿戴设备,提供必要的计算能力,使他们能够直接在单片机执行复杂的计算。这允许实现更复杂的方法比过去车载可穿戴设备,从而有效地使一种非常具体的计算。在这些方法检测,深度学习技术最近显示是一个非常有前途的方法(2,3]。

在本文中,我们描述了嵌入式机器学习框架基于边缘计算和秋季检测车载可穿戴设备。特别是,我们扩展我们的系统提出了(4)新策略来提高整个系统的性能与设计一个合适的蓝牙低能量(bie)协议的有效最小化数据传输。

值得强调的是,这个个人的方法采用监控系统基于深度学习方法很一般,可能为不同的应用程序重用也超出了一个报道。为例,深度学习嵌入式设备上的方法可以用在不同的领域,如汽车(5)、安全和监视(6),增强现实(7),和医疗保健8]。

本文组织如下。节2,国家艺术的可穿戴设备,检测通过机器/深度学习技术。然后,提出了系统和分类,提出了通信模块详细描述,突出不同的设计选择的原因。这些模块从不同的观点,然后评估包括计算复杂度、功耗和内存占用的部分3这些模块,评估如何影响整个系统的性能。部分4给出了最终评价和未来可能的研究方向。

2。材料和方法

2.1。国家的艺术

秋天检测文献,可以发现两个主要趋势:一是基于环境监测,而其他利用可穿戴或便携式设备。环境监测通常是基于摄像机安装在房间。这种方法的主要问题是高价,功耗高,和系统的侵入性的隐私。便携和可穿戴设备不受这些限制。在后者,通常可以找到两种主要的方法:一是基于智能手机(9- - - - - -12),另一个在几种可穿戴设备与特定的硬件13- - - - - -16]。跌倒检测设备,智能手机受到一些限制,影响整体性能(17]。首先,传感器是共享和先发制人的方式由操作系统进行管理。在一个智能手机,事实上,多个应用程序同时执行,这意味着所有的传感器都在所有应用程序之间共享需要感官数据,其中一些运行在一个较高的优先级。因此,在实践中是不可能实现的保证固定采样频率,这是一个关键问题,特别是对于人工智能的方法。最后但不是最少,在一般情况下,电池不兼容的典型时间持续的监控在整个一天。相反,可穿戴设备被设计为一个特定的任务,他们直接访问,保证固定采样频率;因此,电池可以持续时间长于分享服务与解决方案。

深入分析现有的可穿戴系统解决方案下降检测突出了两个主要研究方向。在第一个跟踪,我们发现车载精化的感官数据;通常,获得传感器数据过滤,然后通过技术处理基于固定阈值或通过其他统计方法,然后结果发送到远程设备。

可乐等。13)提出了一个显示设备包含一个加速度计和气压计结合TI的MSP430单片机。荣格et al。14)描述一个系统包括多轴加速度计,单片机和蓝牙模块。这些组件连接到夹克和通过柔性导电尼龙相互连接。Nyan et al。15)提出了一个系统使用加速度计和陀螺仪。在这项工作中,传感器是通过无线个域网连接接收器板基于英特尔PXA255处理器,在进行实际的处理。在另一个系统(18),一个定制的处理器基于FPGA技术阐述了数据获得的加速度计。

值得注意的是,这种细化很简单,不需要高昂计算能力。相反,固定的基于阈值和统计方法的准确性不是很高,通过人工智能技术表现。

第二轨道,几个作品采用了更复杂的方法,但放弃机上处理支持远程精化。在这些方法中,从传感器可穿戴设备获取数据,然后将它们发送给工作站执行精化。一个相关的例子是闪烁(传感与智力健康、模块化、流动性和实验可重用性)集成传感器平台(19]。在[20.),获得的数据闪烁3 d加速器通过蓝牙发送到远程工作站,执行分类的支持向量机(SVM)分类器。作者还比较了SVM与再邻国(资讯)和复杂的树。类似的研究是进行3),陀螺仪和加速度计数据处理的机器学习方法。

除了闪闪发光,其他商用现货(COTS)设备出现。特别是,SensorTile董事会由意法半导体吸引研究人员因为它的计算和记忆能力与低功耗。这个设备的核心是STM32L476JGY MCU的最大时钟频率为80 MHz。董事会还配有两个多轴加速计,磁强计、气压计和陀螺仪。它还集成了一个4.1蓝牙收发器,这是一个流行的物联网应用程序的协议。

单片机是一个臂状物皮质M4核心,配备一个浮点单元(FPU),这是完全符合IEEE单精度浮点标准。董事会还配备1 MB的闪存和SRAM的128 KB。该设备已成功应用于人类活动识别(21),检测(4]。在上面的角度来看,秋天检测系统提出了(4通过深度学习方法)进行数据分类阐述了设备。这意味着它优于其他设备的精度,因为它采用深度学习方法和降低能耗自细化执行,而不需要连续的数据传输。然而,这个系统可以进一步优化的角度计算复杂度和功耗。在本文中,我们提出一个显著改善我们的以前的工作描述(4];特别是,系统已经富含pre-elaboration一步防止单片机分类数据,不包含相关的信息。此外,基于BLE标准通信协议被设计为了最小化SensorTile委员会和远程主机之间的通信。

2.2。深度学习

深度学习方法是目前最先进的方法对许多计算机视觉和信号处理问题。特别是,(即处理时间序列信号。,data acquired by sensors over time), Recurrent Neural Networks (RNNs) are considered the best solution [22]。这种网络是一种特殊的人工神经网络,在输出反馈作为输入的一部分。

一般来说,一个RNN可以描述的 在哪里和当时的输入和输出 ,分别 , , , ,和是网络参数,代表一个非线性函数。这个词显示隐藏的状态,定义如下:

这种网络的缺点是训练阶段,这是很难执行在理论上和实践上都有。RNNs的标准训练方法时间演变,每个训练输入预定义的序列长度是美联储作为输入的网络。这种技术如图1。

分析时间序列(例如,加速度计收购随着时间的推移)扫描输入数据流是通过一个合适大小的滑动窗口,它必须匹配预定义的水平展开培训。

一旦训练完成,获得RNN可以用于分析一个输入流的滑动窗口大小输入流,重新设置并运行RNN对每个输入窗口。这个过程被称为推理并用于识别特定模式的输入。降低成本的计算推理,输入窗口在间隔通常是滑吗持续的长度叫做的进步。滑动窗口技术相关的所有概念图所示2。

长期短期记忆(LSTM) [23,24)细胞是一种特殊的RNN能够检测和繁殖长期时间依赖性。他们特性的能力,学会如何忘记和过滤器在推理的一部分隐藏状态。这些网络的主要优点是容易因为他们不遭受所谓的训练消失的梯度问题。相反,他们是更复杂的比标准RNNs从计算的观点。LSTM细胞的行为是由以下方程描述: 在哪里 , 。 hyperparameter,被称为LSTM大小,是所有细胞中前期设计定义为常数。

图3显示了一个LSTM细胞的典型结构,给出了计算方程作为输入(3)- (6),表示圆图中。小圆圈里面有一个点表示element-wise乘法准备所需的输入评估方程(7)和(8)。方程的结果(8)是细胞的输出。

2.3。跌倒检测嵌入式系统的深度学习

不同的深度学习方法已经成功地用于秋天检测(2,25- - - - - -28]。分析这些系统,我们看到,所有这些方法要么依赖模型和大量的参数或在远程通信。潜在的根据,在原方法中,二进制参数集(通常被称为模型网络)可以很容易地成为太重了实时可穿戴设备上,而在后者的方法,如果我们考虑一个24/7的监测,强化数据通信很可能过快消耗电池充电(29日]。

深度学习方法的实现在嵌入式系统是当前感兴趣的话题,就见证了TensorFlow Lite的发展(30.]。这个软件是一个简化版的完整TensorFlow软件框架,可以移动和嵌入式设备上执行。然而,这个软件目前仍处于初期发展阶段,有一些限制:首先,目前只有一些单片机的支持,在低功耗微控制器中,只有手臂皮层M3单片机是目前支持。此外,完成TensorFlow框架的一部分,实现目前实现LSTMs不足。最好的作者的知识,RNNs已经成功地部署到一只手臂皮层M4单片机只有在我们以前的工作4),我们描述了一个运行时基于RNN网络推理模块。在这部作品中,通信模块+其他节能规定没有讨论,正如我们将看到,这样可以显著改善有利于整个嵌入式模块。

2.4。提出了边缘计算系统的体系结构

总的来说,该软件系统可以分为两个主要部分:第一部分致力于LSTM的离线训练网络,而第二个与实时传感器读数的分类和相关事件的通信网关。培训的网络直接与一个典型的单片机上的使用在这个项目中是不可行的,由于内存和计算能力的限制。因此,网络训练必须场外的执行,在一个工作站。在拟议的系统中,执行培训在5810年戴尔工作站使用TensorFlow 1.8。训练集收集在一个广泛的活动进行了超过40岁的帕维亚大学志愿者参与感官数据记录在执行模拟活动和瀑布,根据预定义的17协议标准动作。每个记录是相关视频序列描述执行活动,和注释添加随后通过识别和标记特定事件发生的实际时间间隔(31日]。一旦训练,模型可以部署在单片机。

在文献中,有几个策略来优化内存占用和功耗。最流行的技术之一是整数量子化。此方法需要的定义范围的参数和变量的值,并使用8位整数编码等来回浮点值转化为范围。以来获得的内存占用很清楚每一个参数或变量都有足迹低于采用浮点数的四倍。然而,从计算的观点来看,量化也提出了一些关键问题。特别是,LSTM细胞需要两个线性和非线性操作。如果在线性运算精度损失可以忽略不计,非线性操作受到大量准确浮点同行相比。此外,根据采用的方法,量化可能需要几个整数和浮点数之间的双向转换,从而使整个增益的计算效率显然是评估。

另一个可能的策略,在定制硬件架构是很受欢迎的定点表示。在这种方法中,数据是使用的一个子集的一个词来表示的整数部分和小数部分的剩余部分。通过这种方式,可以执行最基本的数学运算仅使用单片机的整数运算单元。然而,根据在我们实验室进行实验的精度也是一个关键问题,因为在这种情况下,非线性操作精度遭受重大损失。我们还评价了混合方法,线性运算执行定点格式和非线性函数采用浮点格式。在这种情况下,两个不同的数字表示之间的转换是必须的。这导致重大损失在计算时间,不允许实现实时约束。此外,该解决方案执行比纯粹的浮点推理更糟糕,因为采用了单片机是配备一个浮点单元,可以只在一个时钟周期内执行基本的算术操作。因此,对于这些原因,我们采用单精度浮点表示运行时模块。

一旦部署在SensorTile LSTM网络设备,可穿戴系统是准备作为一个可穿戴的智能探测器。监控设备应戴的主题,在这一点上,它开始获得感官数据和对事件进行分类。如果分类器检测到一个秋天或警告的情况下,该设备将通过祝福消息发送到网关,然后将它发送到云的通知提醒服务指定的干预的演员。

分类器模块和BLE协议开发的这项工作在以下部分中详细描述。

秋天探测系统的总体架构如图4。

LSTM训练是在工作站上进行使用TensorFlow,然后模型部署在单片机通过上传自定义固件。事件分类在线和实时执行,当检测到危险的情况下,设备问题BLE消息网关,将该信息转发到远程监控通过云。

2.5。推理运行时模块的单片机

作为我们的基础分类器模块,我们采用相同的网络体系结构中描述(4]。这样的体系结构包括两个LSTM层,两个完全连接层,softmax层。细胞的内部维度LSTM 32。在[4),这个网络架构执行分类推理实时通过考虑一个1秒窗口宽度。

在这里描述的工作中,我们改进了整体分类模块通过引入过程操作条件的初步检测,特别是设备是否被监控主体,进行完整的分类网络只有当传感器读数兼容一个重大事件的发生。我们还修改了初始化阶段执行一些网关的硬件故障自我诊断和信号,如果任何。特别是,相关的系统可以检测硬件故障传感器,即。如果单片机的芯片没有响应请求。这个扩展的分类模块的流程图如图5。

加速度计的第一步是初始化,祝福模块和推理模块。后者模块是最有趣的一个,因为它不是一个标准的软件程序。它管理所有网络变量的内存分配和初始化权重矩阵从闪存通过加载值。

加速度计的初始化期间,例行检查如果有硬件故障,在这种情况下,问题一个祝福的信息网关。

当所有的初始化正确执行,主循环就开始了。

在每一秒,一个窗口包含加速度计读数准备处理。第一步是计算加速度的方差。手臂皮层M家庭可以利用手臂CMSIS图书馆包括几个浮点例程其中有方差计算(32]。然而,方差计算使用标准的公式,不优化。出于这个原因,我们实现了方差计算结果显示在线算法: 在哪里是我th样本后的平均样本。该算法计算方差检查每个样品只有一次,避免遍历数据计算样本的均值窗口。获得的方差与两个不同的阈值相比较。说过,第一个比较是用来知道所穿的设备监控主体(穿阈值),而后者检测的动态信号兼容有趣事件的发生(分类阈值)。这两个阈值被记录实验估计加速度计在不同条件下的数据。穿阈值,设备被放在一个平面上在不同的位置,为了记录加速度计输出在不同的方向。之后,我们评估了加速度计读数装置时所穿的人们进行日常活动,如步行,站起来,坐下来。

如果方差低于穿阈值,设备向网关发送祝福信息以信号监测设备并不是穿的主题。否则,第二阈值被认为是。如果阅读的动力很低,更复杂的和昂贵的分类并不是必须的,因为任何相关事件的发生可以简单地排除。否则,当感觉动力高,读数作为输入传递到分类模块,它充当了(4]。当分类模块检测到依次下降或警告的情况下,祝福模块网关发送警报消息,通知服务设计的演员进行干预。

可穿戴设备的固件重复这些操作每一秒,直到用户交换机系统。

2.6。蓝牙低能量协议

可穿戴设备和网关之间的通信依靠BLE协议。这个协议是用来传输数据只是偶尔。图6显示了BLE协议栈(33]。

从图可以看出6一个通用的BLE应用程序由三个主要组件:应用程序、主机和控制器(34]。最高水平,包含所有应用程序逻辑和数据处理。

主机包括以下层:(我)逻辑链路控制和适应协议(L2CAP):它封装了数据到BLE数据包并管理数据分片和重组任务。(2)属性协议(ATT):这是一个简单的客户端/服务器协议提出的基于属性的一个设备。客户端从服务器请求数据,然后,服务器将数据发送给它的客户。(3)通用属性配置文件(关贸总协定):它添加了一个数据模型和层次结构定义如何组织和不同的应用程序之间交换数据。(iv)通用访问配置文件(GAP):它控制广告和连接,指定设备执行控制程序,如设备如何发现、连接和安全水平。(v)安全管理协议(SMP)。

控制器包括以下层:(我)链路层(LL):负责建立连接和数据包过滤掉广告根据蓝牙地址或基于数据本身(2)物理层(体育):它包含电路调制和解调模拟信号转换成数字信号

关贸总协定是最重要的组件开发为了设计一个有效的协议。它是组织的服务包含一个或多个,每一个特征。BLE标准定义了服务应用程序最常见的和通用的任务,如电池服务,包括电池级特点,包含电池的费用比例。除了默认的服务、定制服务和特点可以加入关贸总协定。这是至关重要的秋天以来检测系统实际BLE标准不包括服务与此相关的任务。出于这个原因,我们定义了一个定制服务与特定的特征。图7显示一个图的关贸总协定服务包含在我们的可穿戴设备。

值得注意的是,在我们的可穿戴系统,祝福标准电池服务与自定义的共存秋天的服务我们定义的。秋天概率和警告概率特征表示为unsigned 8位整数自值范围从0到100。此外,状态是一个unsigned 8位整数。在这种情况下,使用最低有效位信号如果设备是否磨损,而在位置1是用来报警的硬件故障。的穿阈值,分类阈值,报警阈值是特征,可以写的网关,以改变各自变量的值作为阈值的推理模块。这些特征被表示为单精度浮点数字。的姿势监控长特性,可以有512字节的最大大小,根据BLE标准。它是用来传输10秒的记录到网关,为了监控相关的加速度计值的状态监测跌倒后。即使BLE标准定义了长特点的最大大小为512字节,SensorTile这个限制已经被供应商设置为256字节。3 d-accelerometer数据采样的频率100赫兹;因此,数据所需的姿势监视的总量是1200个字节。因为这个值超过设备的大小限制,我们决定采样获得的数据的5倍,达到240字节的数据大小来传输,这是兼容设备的限制。

3所示。结果与讨论

在离线计算验证、嵌入式组件测试反对TensorFlow结果以确保分类模块产生正确的输出。我们测试了可穿戴系统分类模块通过喂养不同预录到网络作为输入信号序列。嵌入式分类模块的结果不同于同TensorFlow约10⁻⁷考虑到,这是一个微不足道的错误输出概率值从0到1。分类达到90%的精度。跟踪的总数在竞选中获得执行帕维亚大学的是18032。约80%的轨道被用来训练系统,而剩下的20%作为测试集。值得注意的是,这个数据库的大小比其他数据库的规模大得多的文学。

评估的影响,提出了分类模块相比,(描述的一个4),有必要对估计结果的在线算法的计算复杂度,用于方差估计,主要修改运行时模块,而方差和阈值之间的比较可以被忽视,因为他们计算重量不是与整个网络的复杂性。需要结果的在线算法失败,比失败的数量显著降低所需的数据分类复杂性报道(4]。这种考虑是由实验数据证实,这突显出,在精化的差异可以忽略不计。另一方面,计算时间的增加是显而易见的,当考虑到分类是仅对某些信号执行窗口。这也意味着所需的功耗降低由于操作更少和单片机可以投入睡眠模式的时间也要超过执行分类。

此外,如果我们考虑内存占用,该模块的影响是微不足道的工作(4]。事实上,结果算法和BLE模块只需要一些标量变量,除了姿势监测,需要一个长浮动元素的数组,这远远小于82 kB的网络参数。

考虑到BLE通讯模块,它使用非常低功耗BLE单模网络处理器集成在SensorTile董事会。这个网络处理器的当前消费约为1.7μ当模块是活跃但不发送到网关。另一方面,马最大排水电流约为8.2,高于当前的消费单片机执行分类时(大约5 mA (4])。这是一个关键问题,因为它限制了可以传输的数据量而不消耗电池充电太快。事实上,连续数据传输将几乎减少三分之一的电池充电时间,自吸收电流减少马马从5到13。由于这个原因,该通信协议设计只为了传输警报与特定事件相关。此外,发送和接收的数据包数量从网关/最小。当考虑unsigned 8位整数,这些数据可以在一个单一的BLE数据包,而浮动数据需要两个祝福包。拟议中的协议的主要限制是由姿势监测长的特点,这就需要12包传输到网关。出于这个原因,姿势监测应该只有当它是严格执行必要的,为了保护电池充电。

值得注意的是,传输数据相关的事件是罕见的,因此,祝福广播是最不活跃的时候,保持BLU模块电流消耗可以忽略不计。

对工作的改进提出了(4总结在表1。

表1清楚地表明,该系统提高了,比以前的工作,计算和能耗的观点。表显示最好的情况和最坏情况的分析,提出解决方案。第一个有关所有这些情况时,方差低于推理阈值,因此可以节省计算能力通过避免评估整个LSTM网络。后者是关于数据分析的LSTM网络,和一个祝福消息发送到远程主机。值得注意的是,最好的情况是更频繁,因为据估计方差阈值,以避免对数据进行推理与日常生活相关的活动。因此,可以这么说,拟议的系统是在最好的情况下运营条件的大多数时间,允许显著增加能耗。此外,这一修改需要内存占用增加可以忽略不计,因为它可以从表1。最后,这个系统能够与远程主机通信,通过BLE协议被设计为了最小化数据传输(再次减少对功耗的影响)。

4所示。结论

在本文中,我们描述一个先进的计算可穿戴设备的发展对个人监测利用深度学习方法,能够检测意外下跌。特别是,我们讨论了优化的实时分类模块嵌入在可穿戴设备上,一起开发策略,以避免不必要的计算,并降低功耗。

这些策略已经开发在分析收集到的数据在一个广泛的活动进行帕维亚大学,允许进行的最大的一个数据库可以在文献中找到。特别是,两个阈值用于避免不必要的计算已定义后仔细分析这些数据。

我们还描述了开发BLE协议,为了减少设备和网关之间的通信,使一个合适的报警当特定事件发生时,在不影响电池充电时间。

这些结果明显改善,进一步完成我们之前描述的系统(4),丰富和重要的扩展。最好的作者的知识,这是第一个边缘下降可穿戴计算系统检测包括深度学习技术和性能水平。

未来的工作将集中在集成来自各种传感器的数据(即。、指标和/或陀螺仪)为了提高分类精度。

此外,开发原型可能包括不同的硬件架构,更好的潜在支持网络参数和非线性操作的量化处理。这是一个进一步的调查为我们的研究探索。

数据可用性

Sisfall标记数据集用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作获得金融支持Regione伦巴蒂大区下的“智能个人健康安全Domotic监控”(IPHSDM)项目(身份证:379273)。

引用

1. 谁,谁全球老年人预防跌倒的报告瑞士日内瓦,世界卫生组织,2008年。
2. f·j·德和d . Roggen深卷积和LSTM复发性神经网络多通道可穿戴活动识别,”传感器,16卷,不。1,p。115年,2016。视图:出版商的网站|谷歌学术搜索
3. m . Hemmatpour r·费列罗、b . Montrucchio和m . Rebaudengo基于共生矩阵的神经网络模型的预测施普林格,可汗,瑞士,2017。
4. e .托提a . Fontanella m .藓类et al .,“嵌入式实时检测与深度学习落在可穿戴设备”21 Euromicro数字会议系统的程序设计、DSD 2018,页405 - 412,布拉格,捷克共和国,2018年8月。视图:出版商的网站|谷歌学术搜索
5. f . Falcini、g . Lami和a . m . Costanza“深度学习在汽车软件”IEEE软件,34卷,不。3,56 - 63,2017页。视图:出版商的网站|谷歌学术搜索
6. g . Sreenu和m·a·萨利姆Durai”智能视频监控:审查通过深度学习技术的人群分析,“《大数据》第六卷,没有。1,2019。视图:出版商的网站|谷歌学术搜索
7. o . Akgul h . i Penekli, y Genc,“在增强现实应用深度学习跟踪”学报》第12届国际会议上信号图像技术和网络系统,提2016页47-54那不勒斯,意大利,2017年12月。视图:出版商的网站|谷歌学术搜索
8. p . Teikari r·p·纳贾尔l . Schmetterer和d . Milea”嵌入深度学习在眼科:眼科影像更聪明,”眼科治疗进展ID 251584141982717条,卷。11日,2019年。视图:出版商的网站|谷歌学术搜索
9. 美国Biswas t·巴塔查里亚,r·萨哈,“在使用智能手机的传感器检测,”学报2018年国际会议上无线通信,信号处理和网络,WiSPNET 2018,页1 - 4,钦奈,印度,2018年3月。视图:出版商的网站|谷歌学术搜索
10. h . y .李叶,k h . Kim和o .崔”下降实时检测系统基于智能手机的加速度传感器,”国际工程商业管理杂志》上ID 184797901775066条,卷。10日,2018年。视图:出版商的网站|谷歌学术搜索
11. j . a . Santoyo-Ramon大肠Casilari, j . m . Cano-Garcia”分享服务架构的分析与多个移动传感器检测与监督学习下降,”传感器,18卷,不。4 p。1155年,2018年。视图:出版商的网站|谷歌学术搜索
12. y . w .许,k h . Chen j·j·杨和f·s .下巴,“分享服务检测算法利用特征提取,”学报2016年9日国际大会上图像和信号处理、生物医学工程与信息学,CISP-BMEI 2016大同,页1535 - 1540年,中国,2017年10月。视图:出版商的网站|谷歌学术搜索
13. g .可乐m . Avvenuti p .广场,a .维琪跌倒检测使用眼镜式的晴雨表施普林格,可汗,瑞士,2017。
14. 荣格,香港,j . Kim et al .,“可穿戴的秋天探测器使用集成传感器和能源设备,“科学报告,5卷,不。1,p。17081年,2015。视图:出版商的网站|谷歌学术搜索
15. m . n . Nyan f·e·h·泰,e . Murugasu”pre-impact下降可穿戴系统检测”,生物力学杂志第41卷。。16,3475 - 3481年,2008页。视图:出版商的网站|谷歌学术搜索
16. d . Giuffrida g .他d . De马提尼和t . Facchinetti”使用可穿戴传感器检测与监督机器学习下降,”学报》国际会议产业信息埃斯波,芬兰,2019年7月,在出版社。视图:谷歌学术搜索
17. r . Igual c Medrano,广场,“挑战、问题和趋势在跌倒检测系统中,“生物医学工程在线,12卷,不。1,p。66年,2013。视图:出版商的网站|谷歌学术搜索
18. s . Abdelhedi m . Baklouti r .布尔吉巴,j . Mouine“跌倒检测系统的设计和实现Zynq委员会”学报2016年IEEE / ACS第13届国际会议的计算机系统和应用程序(AICCSA)阿加迪尔,页1 - 7,摩洛哥,2016年12月。视图:出版商的网站|谷歌学术搜索
19. 答:烧伤、b·r·格林·m·j·麦格拉思et al .,“SHIMMER-a无线传感器的非侵入性生物医学研究平台,“IEEE传感器杂志,10卷,不。9日,第1534 - 1527页,2010年。视图:出版商的网站|谷歌学术搜索
20. f·侯赛因·m·l·阿里·m·z伊斯兰教,和h·穆斯塔法”检测系统使用单direction-sensitive下降3 d加速计和学习分类器”学报2016年国际会议上医学工程、卫生信息学技术(MediTec制造),页1 - 6,达卡,孟加拉国,2016年12月。视图:出版商的网站|谷歌学术搜索
21. 答:尼科西亚,d .保罗d . Giacalone e . Plebani a .黄宗泽和a . Iacchetti”高效的光收集准确的神经人类活动分类,”学报2018年IEEE国际会议消费电子、ICCE 2018,2018年,页1 - 4。视图:谷歌学术搜索
22. 格拉汉姆·古德费勒,y Bengio, a .考维尔深度学习美国马剑桥,麻省理工学院出版社,2016年。
23. ,的Hochreiter和j。施密德胡贝尔表示“长短期记忆。”神经计算,9卷,不。8,1735 - 1780年,1997页。视图:出版商的网站|谷歌学术搜索
24. f·a·格尔”,与LSTM学习忘记:持续的预测,”学报》第九届国际会议在人工神经网络:ICANN 99年英国爱丁堡,页850 - 855,,1999年9月。视图:出版商的网站|谷歌学术搜索
25. t . Mauldin, m .坎比诉Metsis Ngu,和c·里维拉,“SmartFall: smartwatch-based跌倒检测系统使用深度学习,”传感器,18卷,不。10,3363年,页2018。视图:出版商的网站|谷歌学术搜索
26. a . Nait艾莎,g . Englebienne k . van Schooten m . Pijnappels b .悄无声息,“深度学习预测老年人基于日常干个加速器,“传感器,18卷,不。5,1654年,页2018。视图:出版商的网站|谷歌学术搜索
27. r . Rajagopalan Litvan,陈宗柏。荣格,r . Rajagopalan i Litvan,陈宗柏。荣格,“预测和预防系统:最近的趋势,挑战,和未来的研究方向,”传感器,17卷,不。11,2509年,页2017。视图:出版商的网站|谷歌学术搜索
28. b·胡·c·迪克森j . v . Jacobs j·t·丹纳雷和j·m·Schiffman“机器学习算法基于信号从一个可穿戴的惯性传感器可以检测表面行走,与年龄相关的差异,“生物力学杂志卷。71年,37-42,2018页。视图:出版商的网站|谷歌学术搜索
29. t . Nguyen Gia v . k .衬衣,即Tcarenko et al .,“节能可穿戴传感器节点IoT-based探测系统,”微处理器和微系统公司卷,56页。34-46,2018年2月。视图:出版商的网站|谷歌学术搜索
30. TensorFlow lite, 2019,https://tensorflow.org/lite/。
31. m .藓类d . De马提尼,n . Blago t . Facchinetti和m . Piastra“在线检测使用递归神经网络,”2018年,https://arxiv.org/abs/1804.04976。视图:谷歌学术搜索
32. 手臂CMSIS图书馆,2019年,https://developer.arm.com/embedded/cmsis。
33. l . Leonardi g·帕蒂,l . Lo贝洛”种实时通信通过蓝牙低能源工业无线网状网络,”IEEE访问》第六卷,第26519 - 26505页,2018年。视图:出版商的网站|谷歌学术搜索
34. k .汤森开始使用蓝牙低能量O ' reilly,牛顿,妈,美国,2014年。

版权

版权©2019埃托提等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。