Metodolojimiz, derin bir analizle düşme algılama sistemini basitleştirmek için önemli aşamalar, sensör kombinasyonu seçimi, yerleştirme ve sınıflandırma ekler. Bazı sonbahar algılama tasarım sorunları ele önceki çalışmalar vardır, ancak tüm bu sorunların üstesinden gelmek için bütünsel metodoloji odaklanan hiçbir çalışma yoktur. Bu metodoloji aynı zamanda destekli yaşam, spor performans değerlendirmesi, fizik tedavi ve rehabilitasyon uygulamalarında insan aktivitesinin tanınması için de kullanılabilir.
Bir veri kümesi oluşturulduğunda, eşitleme, kuruluş ve veri tutarsızlığı nedeniyle zorluklar ortaya çıkabilir. Doğru bir tahmin ve model karmaşıklığı arasındaki bir denge dikkate alınmalıdır. Prosedürü gösteren Jose Pablo Nunez Martinez, bir araştırma asistanı ve Sofia Pacheco Ibanez, bizim laboratuvar bir lisans mühendislik öğrencisi olacaktır.
Konu veri toplama ve depolamayı kolaylaştırmak için veri toplama sistemini kurarak başlayın. Bilgi kaynağı olarak giyilebilir sensörler, ortam sensörleri ve görme tabanlı cihazların türlerini seçin ve her bilgi kaynağı için bir kimlik atayın, kaynak başına kanal sayısı, teknik özellikler ve her birinin örnekleme hızı. Tüm bilgi kaynaklarını merkezi bir bilgisayara veya dağıtılmış bir bilgisayar sistemine bağlamak için, öncelikle kablo tabanlı aygıtların tek bir istemci bilgisayara düzgün şekilde bağlandığını doğrulayın ve kablosuz tabanlı aygıtların tam olarak şarj olduğunu doğrulayın.
Her aygıtı veri almak üzere ayarlamak için, bulutta veri depolamaya izin verecek ve veri toplama sisteminin uygun veri eşitleme ve veri tutarlılığı özelliklerini karşıladığını onaylayacak şekilde veri toplama sistemini ayarlayın. Tüm sensörlerin sürekli ve aynı anda veri edinip edinmediğini kontrol ettiğinizden ve konu etkinliğini ve özelliklerini tanımlamak için etiketler eklediğinden emin olun. Aygıtlarla örnek veriler toplayın ve verileri tercih edilen bir sistemde saklayın.
Veritabanını sorgulayın ve tüm bilgi kaynaklarının aynı örneklem oranlarında toplanıp toplanmayıp toplanmayolmadığını belirleyin. Sistemin amacının gerektirdiği kısıtlamalar da göz önünde bulundurularak, katılımcı güvenliğini sağlamak için ortamın merkezine bir yatak veya diğer uyumlu döşeme sistemleri yerleştirerek test ortamını ayarlayın. Herhangi bir nesneyi şilten en az bir metre uzakta tutun ve katılımcılar için gerekli kişisel koruyucu ekipmanı hazırlayın.
Daha sonra uygun kameraları ayarlayın ve görüntügösterildiği gibi yatağın etrafında kızılötesi sensörleri eşleştirin. Bir planlama sayfasında sonbahar algılama ve insan aktivitesi tanıma sisteminin amacını tanımlayın ve sistemin amacına uygun olarak deneyin hedef popülasyonunu tanımlayın. Gerçek düşüş algılamageliştirmek için düşme gibi görünen bazı düşme dışı aktiviteler de dahil olmak üzere günlük aktivitelerin türünü tanımlayın.
Her etkinlik için bir kimlik atayın ve etkinlikleri mümkün olduğunca ayrıntılı olarak açıklayın. Ardından, yürütülecek her etkinlik için süreyi ayarlayın. İnsan düşme türünü tanımlayın ve bir kimlik atayın ve her bir etkinlik için her düşüşü, yürütülecek her sonbahar için süreyle birlikte tanımlayın.
Şelalenin özneler tarafından mı oluşturulacağını yoksa başkaları tarafından mı oluşturulacağını düşünün ve bu bilgileri planlama sayfasına yazın. Etkinlik ve düşüş verilerini toplamak için, kayıt cihazlarını gösterildiği gibi konuya yerleştirin. Konu hazır olduğunda, bir klinik uzmanı veya sorumlu bir araştırmacı gözetiminde, veri toplama sisteminde veri toplamaya başlayın ve her faaliyet veya düşüşün başlangıç ve bitiş zaman damgalarını kaydederek planlama sayfasında özetlenen etkinlik dizilerini ve düşmeleri gerçekleştirmesini isteyin.
Tüm bilgi kaynaklarından elde edilen verilerin her etkinlik veya düşüşten sonra buluta kaydedilediğini doğrulayın. Toplanan etkinliği ve düşme verilerini analiz etmek için, k-kat çapraz doğrulama çalıştırmak için her makine öğrenme yöntemi için özellik veri kümesini kullanın. Yöntem başına eğitilmiş en iyi modeli seçmek için doğruluk gibi ortak bir değerlendirme ölçümü kullanın.
Ardından, tercih edilen programlama dili yazılımındaki eğitim özelliği niyazını açın ve belirtildiği gibi bir CSV dosyasını okumak için pandalar kitaplığını kullanın. Özellik veri kümesini belirtildiği gibi giriş/çıkış çiftleri halinde bölün. Bir makine öğrenme yöntemi seçin ve parametreleri ayarlayın.
Makine öğrenme modelini eğitin ve test özelliği veri kümesini kullanarak modelin tahmin değerlerini hesaplayın. Seçilen her makine öğrenme modeli için K-fold çapraz doğrulamada K'nin kaç kez belirtildiğinin K-kat çapraz doğrulanmasını tekrarlayın. Sistem için iki veya daha fazla bilgi kaynağının bir kombinasyonu gerekiyorsa multimodal yaklaşımdaki uygun yerleşimleri seçin ve sistemdeki her modalite için en iyi bilgi kaynağını seçin.
Bu bilgi kaynaklarının bağımsız veri kümelerini kullanarak birleştirilmiş bir özellik veri kümesi oluşturun ve makine öğrenimi sınıflandırma yöntemini seçin. Bu birleştirilmiş bilgi kaynakları için bir model eğitin ve birleştirilmiş özellik veri kümesini kullanarak doğrulamayı yineleyin. Daha sonra, önceki çözümlemede seçilen bilgi kaynaklarını kullanarak, daha gerçekçi koşullar altında konularla yeni bir veri kümesi hazırlayın.
Makine öğrenme modeline ve en iyi pencere uzunluğu yapılandırmasına bağlı olarak her modalite için elde edilen en iyi performansın grafiksel gösterimi, multimodal yaklaşımların bazı tek modal yaklaşımlara göre en iyi F1 puan değerlerini elde ettiğini açıkça göstermektedir. Sadece giyilebilir sensörler kullanılmasına rağmen, multimodal yaklaşıma benzer bir performans elde edilebilir. Veri odaklı modellerin kıyaslaması açısından, rastgele orman, çok katmanlı perceptron ve destek vektör makineleri performans açısından çok tutarlı değilken, hemen hemen tüm deneylerde en iyi sonuçları sunar.
En iyi performans, bel, boyun veya dar sağ cebinizde tek bir sensör kullanıldığında elde edilir. Ayak bileği ve sol bilek giyilebilir sensörler kötü performans gösterdi. Buna ek olarak, bel, boyun ve dar sağ cep sensörleri rastgele ormanlar klasiferi ile üç saniyelik pencere boyutunda % 50 örtüşen sonbahar algılama için en uygun giyilebilir sensörlerdir.
Yanal görüş kamerası en iyi düşme algılama gerçekleştirir ve en iyi kamera konumu üç saniyelik pencere boyutu ve% 50 örtüşen rasgele orman kullanarak yanal bir görüş noktası olduğunu. Buna ek olarak, rasgele orman modeli sınıflandırıcı doğruluk ve F1 puanı hem çok modaliteleri ve bel ve kamera bir ilk konumda sırada arasındaki kombinasyonu en iyi performansı gösterir. Deneylerimizde, hiçbir zararı olmayan gençleri işe aldık, ancak sistemi kullanarak sistemin amacına ve hedef nüfusa uygun konular seçilmelidir.
Basit multimodal düşme algılama sistemleri bu metodolojiye göre tasarlanabilir ve uygulanabilir. Gerçek dünya adaptasyonu için, transfer öğrenme ve derin öğrenme yaklaşımları sağlam sistemler geliştirmek için tavsiye edilir.
