Efficient Fall Detection using Bidirectional Long Short-Term Memory
Notice bibliographique
Résumé
Falls are one of the most common causes of injury among the elderly. As a result, fall detection has received in the last decade considerable attention from both academia and the healthcare industry. Accelerometer data, collected from simulated falls, were widely used with classical machine learning (ML) algorithms as well as with threshold-based methods to identify fall situations that can be used to launch an alert for help. As collecting real fall data is challenging, most of the research papers on fall detection have used limited data which do not reflect the complexity of real fall situations. Fortunately, a comprehensive fall dataset called “Simulated Falls and Daily Living Activities Dataset” has recently become available. This dataset includes 1827 simulated falls of 20 different types. In this paper, we use this dataset to evaluate the possibility of fall detection, more precisely, impact and pre-impact which correspond to fall and pre-fall, respectively. Unlike the classical ML algorithms and threshold-based methods commonly used in previous research works, in this paper, we implement a bidirectional long short-term memory (Bi-LSTM) algorithm which we believe better reflects the impact and pre-impact context as it takes into consideration both backward and forward sequence information at every time step. Our experimental results showed that Bi-LSTM achieves an accuracy of 99.97% and 99.95%, with 99.80% and 99.30% sensitivity, and 100% and 99.99% specificity for fall and pre-fall detections, respectively. These results largely exceed previously published results.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».