Fall Detection among Elderly Person using FallCNN and Transfer Learning Models
Creators
- 1. Vellore Institute of Technology University
Description
Abstract As per the data provided by the World Health Organization (WHO), falls are one of the major reasons for unintentional deaths or injuries in elderly people. Even though there are a lot of fall detection methods and algorithms exist, there is no efficient artificial intelligence strategy for detecting falls. Various literature states that Fall Detection among Elderly Person (FDEP) provides the possibility of bringing up an efficient and cost-effective way to tackle this problem. This paper generated a signal-based image dataset, SimgFall from the existing accelerometer or gyroscope-based sensor data of the SiSFall dataset for early detection of fall to fasten the medical assistance process. This SimgFall data is proposed by the proposed FallCNN model, a novel deep Convolutional Neural Network (CNN) based architecture that includes multiple folds of CNN network. These models utilize depth-wise convolution with varying dilation rates for efficiently extracting diversified features from the SimgFall dataset. 1992 signal-based images of which 498 are the samples collected for fall, jump, stumble and walk of four classes respectively. Further, performance evaluation on the generated dataset using different pre-trained and custom models has been analysed based on the loss and accuracy curve. The experimental results show that the highest classification accuracy (98%) is achieved using the proposed customized FallCNN model.
Translated Descriptions
Translated Description (Arabic)
الملخص وفقًا للبيانات المقدمة من منظمة الصحة العالمية (WHO)، يعد السقوط أحد الأسباب الرئيسية للوفيات أو الإصابات غير المقصودة لدى كبار السن. على الرغم من وجود الكثير من طرق وخوارزميات الكشف عن السقوط، إلا أنه لا توجد استراتيجية ذكاء اصطناعي فعالة للكشف عن السقوط. تنص العديد من الأدبيات على أن اكتشاف السقوط بين كبار السن (FDEP) يوفر إمكانية طرح طريقة فعالة وفعالة من حيث التكلفة لمعالجة هذه المشكلة. أنتجت هذه الورقة مجموعة بيانات صور قائمة على الإشارة، SimgFall من مقياس التسارع الحالي أو بيانات المستشعر القائمة على الجيروسكوب لمجموعة بيانات SiSFall للكشف المبكر عن السقوط لربط عملية المساعدة الطبية. تم اقتراح بيانات SimgFall هذه من قبل نموذج FallCNN المقترح، وهي بنية جديدة قائمة على الشبكة العصبية التفافية العميقة (CNN) تتضمن طيات متعددة لشبكة CNN. تستخدم هذه النماذج التفافًا عميقًا بمعدلات تمدد متفاوتة لاستخراج ميزات متنوعة بكفاءة من مجموعة بيانات SimgFall. صور 1992 القائمة على الإشارة منها 498 هي العينات التي تم جمعها للسقوط والقفز والتعثر والمشي لأربع فئات على التوالي. علاوة على ذلك، تم تحليل تقييم الأداء على مجموعة البيانات التي تم إنشاؤها باستخدام نماذج مختلفة مدربة مسبقًا ومخصصة بناءً على منحنى الخسارة والدقة. تظهر النتائج التجريبية أن أعلى دقة تصنيف (98 ٪) يتم تحقيقها باستخدام نموذج FallCNN المخصص المقترح.Translated Description (French)
Résumé Selon les données fournies par l'Organisation mondiale de la santé (OMS), les chutes sont l'une des principales causes de décès ou de blessures involontaires chez les personnes âgées. Même s'il existe de nombreuses méthodes et algorithmes de détection des chutes, il n'existe pas de stratégie efficace d'intelligence artificielle pour détecter les chutes. Diverses publications indiquent que la détection des chutes chez les personnes âgées (FDEP) offre la possibilité de mettre en place un moyen efficace et rentable de s'attaquer à ce problème. Cet article a généré un ensemble de données d'image basé sur le signal, SimgFall, à partir des données de capteur existantes de l'accéléromètre ou du gyroscope de l'ensemble de données SiSFall pour la détection précoce de la chute afin de fixer le processus d'assistance médicale. Ces données SimgFall sont proposées par le modèle FallCNN proposé, une nouvelle architecture basée sur le réseau neuronal convolutionnel profond (CNN) qui comprend plusieurs plis de réseau CNN. Ces modèles utilisent une convolution en profondeur avec des taux de dilatation variables pour extraire efficacement des caractéristiques diversifiées de l'ensemble de données SimgFall. 1992 images basées sur le signal dont 498 sont les échantillons collectés pour l'automne, le saut, le trébuchement et la marche de quatre classes respectivement. En outre, l'évaluation des performances sur l'ensemble de données généré à l'aide de différents modèles pré-entraînés et personnalisés a été analysée sur la base de la courbe de perte et de précision. Les résultats expérimentaux montrent que la plus grande précision de classification (98 %) est obtenue en utilisant le modèle FallCNN personnalisé proposé.Translated Description (Spanish)
Resumen Según los datos proporcionados por la Organización Mundial de la Salud (OMS), las caídas son una de las principales razones de muertes o lesiones no intencionales en personas mayores. A pesar de que existen muchos métodos y algoritmos de detección de caídas, no existe una estrategia de inteligencia artificial eficiente para detectar caídas. Diversas publicaciones afirman que la detección de caídas entre personas mayores (FDEP) ofrece la posibilidad de plantear una forma eficiente y rentable de abordar este problema. Este documento generó un conjunto de datos de imágenes basado en señales, SimgFall, a partir de los datos del acelerómetro existente o del sensor basado en el giroscopio del conjunto de datos SiSFall para la detección temprana de caídas para asegurar el proceso de asistencia médica. Estos datos de SimgFall son propuestos por el modelo FallCNN propuesto, una novedosa arquitectura profunda basada en redes neuronales convolucionales (CNN) que incluye múltiples pliegues de la red CNN. Estos modelos utilizan convolución en profundidad con tasas de dilatación variables para extraer de manera eficiente características diversificadas del conjunto de datos de SimgFall. Imágenes basadas en señales de 1992 de las cuales 498 son las muestras recolectadas para caída, salto, tropiezo y caminata de cuatro clases, respectivamente. Además, la evaluación del rendimiento en el conjunto de datos generado utilizando diferentes modelos preentrenados y personalizados se ha analizado en función de la curva de pérdida y precisión. Los resultados experimentales muestran que la mayor precisión de clasificación (98%) se logra utilizando el modelo FallCNN personalizado propuesto.Files
latest.pdf.pdf
Files
(1.1 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:7691837fdd7ebdf9f979b0f33307b9de
|
1.1 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- اكتشاف السقوط بين كبار السن باستخدام نماذج FallCNN ونقل التعلم
- Translated title (French)
- Détection des chutes chez les personnes âgées à l'aide des modèles d'apprentissage FallCNN et Transfer
- Translated title (Spanish)
- Detección de caídas entre personas mayores utilizando FallCNN y modelos de aprendizaje por transferencia
Identifiers
- Other
- https://openalex.org/W4289261024
- DOI
- 10.21203/rs.3.rs-1884093/v1