Vision-Based Fall Risk Assessment Through Attention Augmented Neural Encoding and Data Augmentation
Notice bibliographique
Résumé
Falls among elderly individuals and other at-risk populations represent a significant public health concern, underscoring the need for proactive and accessible fall risk assessment methods. Although prior systems using wearable sensors or depth cameras have demonstrated potential, their widespread adoption is often constrained by user discomfort, setup complexity, and the high cost of specialized equipment such as Kinect. To address these limitations, we propose GTAE-FRA, a novel vision-based deep learning framework for fall risk assessment that leverages standard, widely available RGB cameras to record Five times Sit-To-Stand (FSTS) test videos. GTAE-FRA begins with a robust video processing pipeline that includes 3D pose estimation, noise filtering, and Dynamic Time Warping (DTW)-based matching to extract reliable Body Skeleton Key Point (BSKP) sequences. These sequences are then fed into GTrans, an attention-augmented encoder combining message passing aggregation mechanism with Transformer-based spatial-temporal modeling for nuanced feature extraction. To overcome limited data availability, six skeleton-oriented data augmentation strategies are applied, which significantly enhance the diversity and robustness of training samples. Experimental results on a dataset of 450 FSTS videos demonstrate the effectiveness of GTAE-FRA, achieving impressive performance with detection accuracy, weighted F1 score, macro F1 score, and AUC of 87.00%, 87.01%, 88.92%, and 97.96%, respectively. These results represent average improvements of 2.49%, 2.66%, 2.24% and 1.78% over baseline methods across the respective metrics.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,000 | 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) | 0,001 | 0,001 |
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 ».