论文标题：Continuous Wearable-based Fall Detection using Tiny Machine Learning
中文标题：连续可穿戴式基于微型机器学习跌倒检测
作者信息：
- Duan Luong Cong，Faculty of Electronics Engineering 1, Posts and Telecommunications Institute of Technology Hanoi, Vietnam, [email protected]
- Dung Truong Cao，Faculty of Electronics Engineering 1, Posts and Telecommunications Institute of Technology Hanoi, Vietnam, [email protected]
- Bien Nguyen Quang，Faculty of Electronics Engineering 1, Posts and Telecommunications Institute of Technology Hanoi, Vietnam, [email protected]
- Duc Truong Minh，Faculty of Electronics Engineering 1, Posts and Telecommunications Institute of Technology Hanoi, Vietnam, [email protected]
- Minh Nguyen Ngoc，Faculty of Electronics Engineering 1, Posts and Telecommunications Institute of Technology Hanoi, Vietnam, [email protected]
论文出处：2024 9th International Conference on Applying New Technology in Green Buildings (ATiGB), Danang, August 30-31, 2024
主要内容：
摘要： 本文提出了一种基于可穿戴设备的跌倒检测系统（WFDS），该系统利用微型机器学习（TinyML）技术。系统使用可穿戴传感器，相较于环境传感器，提供了更大的活动范围、更简便的安装和更广泛的覆盖。系统核心是一个基于TinyML的跌倒检测算法，旨在在资源受限的设备上部署机器学习模型。该系统使用50 Hz的3轴惯性测量单元（IMU）和TinyML模型来处理和检测跌倒。该模型使用SisFall数据集开发，并使用KFall和自收集的数据集进行评估，量化模型大小为9,623字节，对SisFall数据集的跌倒检测敏感性超过97.8%，对自收集数据的敏感性为97.4%。该系统在ESP32-S3微控制单元（MCU）上与MPU6050传感器结合使用，实现了实时、连续监测，每2000毫秒数据的推理时间为14毫秒。这展示了TinyML在可穿戴跌倒检测系统中减少老年人跌倒严重后果的潜力，通过及时干预降低跌倒相关疾病和死亡率。
引言和相关工作： 跌倒是老年人死亡和身体伤害的主要原因。研究表明，超过33%的65岁及以上社区居住个体和约67%的长期护理设施居民每年至少经历一次跌倒。跌倒导致的非故意身体伤害包括骨折、关节脱位和神经认知障碍。跌倒是老年人髋部和腕部骨折和头部损伤的主要原因，约占所有骨折的90%和头部损伤的60%。这些跌倒相关发病率最终导致医疗开支增加，对老年人的健康和寿命构成重大风险。此外，跌倒可能加剧抑郁和跌倒恐惧等心理状况，导致避免可能增加跌倒风险的活动。因此，开发可靠和高效的跌倒检测系统对于减轻老年人群的严重后果至关重要。研究还探讨了跌倒检测系统（FDS）的潜力，包括可穿戴设备、基于智能手机的系统和环境感知传感器。与环境传感器相比，可穿戴传感器提供了更好的移动性、更简单的安装和更广泛的覆盖区域，并且较少受到隐私问题的限制。
方法： 本研究使用了SisFall、KFall和自收集的数据集来开发和评估跌倒检测模型。SisFall数据集用于模型训练，而KFall数据集和自收集的数据集用于模型评估。KFall和SisFall数据集提供了丰富的日常活动（ADLs）和跌倒事件，每个数据集至少包含30名受试者的15种活动。这种多样性和规模使得这些数据集更能代表真实生活场景，对于开发和全面评估跌倒检测算法至关重要。基于对三个数据集的分析，x、y和z轴传感器数据的基线值因站立姿势和传感器类型而异。因此，三轴传感器信号的导数及其总变化（TC）被用作模型输入。模型输入张量包含四个数组，每个数组包含100个样本，用于特征dX、dY、dZ和TC，以确定运动类型的概率。
模型开发、训练和量化： 模型训练过程涉及对3轴加速度导数和总变化数据进行2秒期间的100个样本的归一化处理。数据通过两个卷积神经网络（CNN）层输入模型，每个层都具有水平和垂直核，以保持模型大小紧凑。在CNN层之后，所有特征被展平并输入到一个密集神经网络（DNN）层，然后应用带有softmax激活的密集层以输出每个类别的概率。
设备设计、数据收集和实施： 为了开发一个原型设备，该设备能够收集额外的数据，以测试机器学习模型的分析能力，并评估其在真实环境中的性能，我们使用了集成Wi-Fi连接的ESP32-S3 MCU。该设备还配备了提供加速度计数据的IMU MPU6050传感器，一个18650锂离子电池和一个TP4056充电电路，允许设备在不需要外部电源的情况下佩戴。为了促进测试过程，设备包括一个显示识别状态的显示屏，以及在检测到跌倒事件时提供警告警报的LED和蜂鸣器。完成的设备被包装成可穿戴形式，并由参与者佩戴以收集数据。
结果和讨论： 使用KFall数据集的二次数据集进行了42折训练过程。训练过程中的准确度和损失值显示了最小变化，表明趋势趋于稳定。在最后一个折中，准确度为98.14%，损失值为0.014。模型随后使用TensorFlow Lite工具进行量化，输入和输出数据转换为有符号的8位整数，然后使用SisFall和自收集的数据集进行验证。量化后，模型占用MCU闪存存储空间9,624字节。
结论： 提出了一种使用TinyML技术的连续可穿戴式跌倒检测系统（WFDS）。可穿戴传感器比环境传感器提供更大的活动范围、更简单的安装和更广泛的覆盖。跌倒检测算法利用TinyML在资源受限的设备上部署机器学习模型，通过50Hz的3轴IMU检测跌倒。量化模型在使用SisFall数据集开发并使用KFall和自收集的数据集评估后，大小为9,624字节，在SisFall数据集上的敏感性超过97.8%，在自收集数据上的敏感性超过97.4%。该模型集成在ESP32-S3 MCU和MPU6050传感器上，每2000毫秒数据窗口的推理时间为14毫秒，允许进一步的低功耗优化。TinyML技术在可穿戴设备中的跌倒检测显示出通过及时干预减少严重跌倒结果的潜力，降低跌倒相关疾病和死亡率。