文献

J-GLOBAL ID：202102216344081514   整理番号：21A2569457

CNNベースクラス活性化マッピング法による衝突前転倒検出【JST・京大機械翻訳】

Pre-Impact Fall Detection with CNN-Based Class Activation Mapping Method

著者 (4件)： Shi Jingyi (Institute of Robotics, School of Mechanical Engineering and Automation, Beihang University, Beijing 100191, China) ,  Chen Diansheng (Institute of Robotics, School of Mechanical Engineering and Automation, Beihang University, Beijing 100191, China) ,  Chen Diansheng (Beijing Advanced Innovation Center for Biomedical Engineering, Beihang University, Beijing 100191, China) ,  Wang Min (School of General Engineering, Beihang University, Beijing 100191, China)
資料名： Sensors (Web)  (Sensors (Web))
巻： 20  号： 17  ページ： 4750  発行年： 2020年 
JST資料番号： U7015A  ISSN： 1424-8220  CODEN： SENSC9  資料種別： 逐次刊行物 (A)
記事区分： 短報  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 本論文では,ウエストに搭載されたIMU(慣性測定ユニット)センサからの実時間データに学習ベース法を適用することにより,事前衝撃落下検出の予測精度に関する改善を報告し,抽出した特徴を有するウェアラブルデバイス上で高精度の達成を可能にした。固定閾値法を用いて,異なる個人の動きにおける様々な特性と挙動のために,満足な検出精度を達成するのは難しい。対照的に,機械学習ベースの方法で高精度検出を実現することができたが,高いハードウェア要求のためにウェアラブルデバイスにそれらを適用することは難しい。著者らの方法は上記の2つの方法を併合する。クラス活性化マッピング(CAM)法により畳み込みニューラルネットワーク(CNN)を構築し,データのクラス固有領域を強調し,落下データのホットマップを得た。MobiActデータセットに関する訓練の後,モデルは高精度検出(95.55%)を達成して,分類への高い寄与を有する領域を得た。次に,著者らは,この領域の有効特性と特性を手動で抽出して,著者らの特別な閾値方法を形成し,実世界データにおける事前衝撃落下検出を達成した。その結果,この方法は95.33%の精度と400ms以内の検出時間を達成した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 計測器 ,  *写像 ,  衝撃 ,  学習 ,  ニューラルネットワーク ,  転倒 ,  ハードウェア ,  センサ ,  機械学習
準シソーラス用語： ウェアラブルデバイス ,  予測精度 ,  高精度 ,  検出精度 ,  落下検出 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (5件)： 転倒検出 ,  プレインパクト ,  ニューラルネットワーク ,  閾値ベース ,  IMU

分類 (1件)： 生体計測  (EL03020C)

引用文献 (21件)：

• Lee, J.K.; Robinovitch, S.N.; Park, E.J. Inertial sensing-based pre-impact detection of falls involving near-fall scenarios. IEEE Trans. Neural Syst. Rehabil. Eng. 2015, 23, 258-266.
• Putra, I.P.E.S.; Brusey, J.; Gaura, E.; Vesilo, R. An event-triggered machine learning approach for accelerometer-based fall detection. Sensors 2018, 18, 20.
• Wang, X.; Ellul, J.; Azzopardi, G. Elderly fall detection systems: A literature survey. Front. Robot. AI 2020, 7, 71.
• Ha, S.; Choi, S. Convolutional Neural Networks for Human Activity Recognition Using Multiple Accelerometer And Gyroscope Sensors. In Proceedings of the IEEE International Joint Conference On Neural Networks (IJCNN), Vancouver, BC, Canada, 24-29 July 2016.
• Pierleoni, P.; Belli, A.; Palma, L.; Pellegrini, M.; Pernini, L.; Valenti, S. A high reliability wearable device for elderly fall detection. IEEE Sens. J. 2015, 15, 4544-4553.

タイトルに関連する用語 (6件)： CNN ,  クラス ,  活性化 ,  マッピング法 ,  衝突 ,  転倒