РОЗРОБКА ТА ОЦІНКА НЕКЕРОВАНОЇ МОДЕЛІ НА ОСНОВІ TRANSFORMER ДЛЯ ВИЯВЛЕННЯ ПАДІНЬ СЕРЕД ЛІТНІХ ЛЮДЕЙ

Ivan Ursul

Анотація


У даному науковому дослідженні проводиться детальний аналіз розробки та впровадження некерованої моделі на базі трансформера для ідентифікації випадків падінь серед осіб похилого віку. Основною метою цієї роботи є сприяння створенню ефективних та надійних систем для автоматизованого визначення падінь, що може мати значний вплив на підвищення безпеки та якості життя літніх людей. Враховуючи існуючі обмеження за точністю виявлення та забезпеченням конфіденційності, які характеризують традиційні підходи, акцент робиться на потребі в розробці інноваційних методологій. У дослідженні використовуються методи некерованого машинного навчання для обробки та аналізу даних з акселерометрів, метою яких є не тільки покращення точності виявлення аномалій, але й збереження приватності інформації про користувачів. Аналіз ефективності моделі трансформера, заснований на оцінці середньоквадратичної помилки, демонструє її високу продуктивність у точній реконструкції даних акселерометра, що є ключовим для надійної ідентифікації падінь як аномалій. Результати підкреслюють, що точність запропонованої моделі є порівнянною з тією, яку забезпечують контрольовані моделі, при цьому вказуючи на високу ступінь точності, засновану на значеннях середньоквадратичної помилки. Представлений підхід знижує залежність від об'ємних маркованих наборів даних, переборюючи одну з основних проблем, яка часто виникає при дослідженні систем виявлення падінь. Це відкриває шлях до розробки практичних рішень для сценаріїв реального життя, де доступ до маркованих даних обмежений або недоступний. Висновки нашої роботи висвітлюють потенціал застосування некерованого навчання у сфері покращення технологій для виявлення падінь, пропонуючи нові можливості для сфери охорони здоров'я через поліпшення систем моніторингу активності, виявлення аномалій та забезпечення безпеки літніх осіб.

Ключові слова: виявлення падінь, некероване навчання, модель трансформера, дані акселерометра, догляд за літніми людьми, виявлення аномалій.


Повний текст:

PDF (English)

Посилання


  1. M. Montero-Odasso et al., “World guidelines for falls prevention and management for older adults: a global initiative,” Age Ageing, vol. 51, no. 9, p. afac205, 2022.
  2. H. Alamgir, S. Muazzam, and M. Nasrullah, “Unintentional falls mortality among elderly in the United States: time for action,” Injury, vol. 43, no. 12, pp. 2065–2071, 2012.
  3. G. Fortino and R. Gravina, “Fall-MobileGuard: a Smart Real-Time Fall Detection System,” in Proceedings of the 10th EAI International Conference on Body Area Networks, Sydney, Australia: ICST, 2015. doi: 10.4108/eai.28-9-2015.2261462
  4. B. Demanze Laurence and L. Michel, “The fall in older adults: physical and cognitive problems,” Curr. Aging Sci., vol. 10, no. 3, pp. 185–200, 2017.
  5. H. H. Nguyen, “A Comprehensive Approach to Secure and Effective Fall Detection in IOT Healthcare Systems,” 2023, Accessed: Dec. 17, 2023. [Online]. Available: https://openrepository.aut.ac.nz/items/d89acdbf-92c7-4b8b-8e10-79052e86478b
  6. R. Khusainov, D. Azzi, I. E. Achumba, and S. D. Bersch, “Real-time human ambulation, activity, and physiological monitoring: Taxonomy of issues, techniques, applications, challenges and limitations,” Sensors, vol. 13, no. 10, pp. 12852–12902, 2013.
  7. S. Usmani, A. Saboor, M. Haris, M. A. Khan, and H. Park, “Latest research trends in fall detection and prevention using machine learning: A systematic review,” Sensors, vol. 21, no. 15, p. 5134, 2021.
  8. Y. Wu, Y. Su, Y. Hu, N. Yu, and R. Feng, “A multi-sensor fall detection system based on multivariate statistical process analysis,” J. Med. Biol. Eng., vol. 39, pp. 336–351, 2019.
  9. S. Rastogi and J. Singh, “A systematic review on machine learning for fall detection system,” Comput. Intell., vol. 37, no. 2, pp. 951–974, May 2021, doi: 10.1111/coin.12441.
  10. A. Pramanik, S. Sarkar, and S. K. Pal, “Video surveillance-based fall detection system using object-level feature thresholding and Z- numbers,” Knowl.-Based Syst., vol. 280, p. 110992, 2023.
  11. J. Liu, Y. Xia, and Z. Tang, “Privacy-preserving video fall detection using visual shielding information,” Vis. Comput., vol. 37, pp. 359–370, 2021.
  12. O. Jane Osareme, M. Muonde, C. P. Maduka, T. O. Olorunsogo, and O. Omotayo, “Demographic shifts and healthcare: A review of aging populations and systemic challenges,” 2024, Accessed: Feb. 22, 2024. [Online]. Available: https://ijsra.net/sites/default/files/IJSRA-2024-0067.pdf
  13. P. J. Fracica and E. A. Fracica, “Patient Safety,” in Medical Quality Management, A. P. Giardino, L. A. Riesenberg, and P. Varkey, Eds., Cham: Springer International Publishing, 2021, pp. 53–90. doi: 10.1007/978-3-030-48080-6_4.
  14. S. N. Weingart, A. N. Ship, and M. D. Aronson, “Confidential clinician-reported surveillance of adverse events among medical inpatients,” J. Gen. Intern. Med., vol. 15, pp. 470–477, 2000.
  15. J. Teizer, “Right-time vs real-time pro-active construction safety and health system architecture,” Constr. Innov., vol. 16, no. 3, pp. 253–280, 2016.
  16. E. Cippitelli, F. Fioranelli, E. Gambi, and S. Spinsante, “Radar and RGB-depth sensors for fall detection: A review,” IEEE Sens. J., vol. 17, no. 12, pp. 3585–3604, 2017.
  17. S. Park and S. Jayaraman, “Enhancing the quality of life through wearable technology,” IEEE Eng. Med. Biol. Mag., vol. 22, no. 3, pp. 41–48, 2003.
  18. R. Tanwar, N. Nandal, M. Zamani, and A. A. Manaf, “Pathway of trends and technologies in fall detection: a systematic review,” in Healthcare, MDPI, 2022, p. 172. Accessed: Feb. 22, 2024. [Online]. Available: https://www.mdpi.com/2227-9032/10/1/172
  19. M. A. Al Mamun and M. R. Yuce, “Sensors and systems for wearable environmental monitoring toward IoT-enabled applications: A review,” IEEE Sens. J., vol. 19, no. 18, pp. 7771–7788, 2019.
  20. V. V. Ganthade, A. S. Belhe, P. S. Uravane, A. S. Gadade, and M. Rashid, “Fall Detection Methods for Elderly People-A Comprehensive Survey,” in 2023 6th International Conference on Contemporary Computing and Informatics (IC3I), IEEE, 2023, pp. 2477–2482. Accessed: Feb. 22, 2024. [Online]. Available: https://ieeexplore.ieee.org/abstract/document/10397811/?casa_token=R7iNBlzNvREAAAAA:QqhMRsFxzhcv1QB4E4dKRdeKwX28wzIInr0nSo-oS6aeDz29YrYax8FlOduyv0E-f8vVVmIB6YxyXw
  21. P. Kulurkar, C. kumar Dixit, V. C. Bharathi, A. Monikavishnuvarthini, A. Dhakne, and P. Preethi, “AI based elderly fall prediction system using wearable sensors: A smart home-care technology with IOT,” Meas. Sens., vol. 25, p. 100614, 2023.
  22. N. Maray, A. H. Ngu, J. Ni, M. Debnath, and L. Wang, “Transfer learning on small datasets for improved fall detection,” Sensors, vol. 23, no. 3, p. 1105, 2023.
  23. F. Harrou, N. Zerrouki, Y. Sun, and A. Houacine, “An integrated vision-based approach for efficient human fall detection in a home environment,” IEEE Access, vol. 7, pp. 114966–114974, 2019.
  24. A. T. Özdemir and B. Barshan, “Detecting falls with wearable sensors using machine learning techniques,” Sensors, vol. 14, no. 6, pp. 10691–10708, 2014.
  25. N. Thakur and C. Y. Han, “A study of fall detection in assisted living: Identifying and improving the optimal machine learning method,” J. Sens. Actuator Netw., vol. 10, no. 3, p. 39, 2021.
  26. Z. Huang, Y. Liu, Y. Fang, and B. K. Horn, “Video-based fall detection for seniors with human pose estimation,” in 2018 4th international conference on Universal Village (UV), IEEE, 2018, pp. 1–4. Accessed: Feb. 22, 2024. [Online]. Available: https://ieeexplore.ieee.org/abstract/document/8642130/?casa_token=5zzZqY7AP0EAAAAA:wrBKp-hOw-KpnSnB3J8VB9lvVwEFYxkV4z6cvO6EHhNSyKND0GLKsEvD9lNd0dKPjh1KjA84wFpjGg
  27. Z. Chen, Y. Wang, and W. Yang, “Video Based Fall Detection Using Human Poses,” in Big Data, vol. 1496, X. Liao, W. Zhao, E. Chen, N. Xiao, L. Wang, Y. Gao, Y. Shi, C. Wang, and D. Huang, Eds., in Communications in Computer and Information Science, vol. 1496, Singapore: Springer Singapore, 2022, pp. 283–296. doi: 10.1007/978-981-16-9709-8_19.
  28. J. Liu, Y. Xia, and Z. Tang, “Privacy-preserving video fall detection using visual shielding information,” Vis. Comput., vol. 37, pp. 359–370, 2021.
  29. Y. Qiu, J. Meng, and B. Li, “Automated Falls Detection Using Visual Anomaly Detection and Pose-based Approaches: Experimental Review and Evaluation,” J. ISSN, vol. 2766, p. 2276, 2024.




DOI: http://dx.doi.org/10.30970/eli.26.7

Посилання

  • Поки немає зовнішніх посилань.