Deep Learning-Based Fall Detection Using WiFi Channel State Information
Notice bibliographique
Résumé
Falls have always been one of the major threats to the health and well-being of elderly people, particularly for those living alone. Both wearable and non-wearable fall detection systems have already been developed. However, the fall detection systems using WiFi channel state information (CSI) have attracted a significant interest from researchers due to their non-intrusive and low-cost nature. There are existing machine learning (ML) based fall detection systems using WiFi CSI; however, most systems trained with comprehensive datasets tend to achieve relatively lower accuracy compared to that of the systems trained with less inclusive datasets. To address these issues, we propose a novel, deep learning based fall detection technique. First, we implement different WiFi CSI collection tools and evaluate their potential for fall detection. To develop a highly accurate fall detection technique, we construct a comprehensive dataset, which consists of over 700 CSI samples including different types of falls and other daily activities, performed in four different indoor environments on and off the dominant paths. With this dataset, we then develop a deep learning based classifier using an image classification algorithm. The proposed technique, unlike the other fall detection systems, only requires down sampling and reshaping in pre-processing. The proposed fall detection system is evaluated with the constructed dataset, and it outperforms two other existing systems. It achieves over 96% accuracy for CSI collected in all four environments and 99% accuracy for CSI collected in certain combinations of the environments.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».