Глубокое обучение в обнаружении падений при помощи метода биорадиолокации
- 1 к.т.н., доцент, ст. науч. сотрудник, факультет биомедицинской техники, лаборатория дистанционного зондирования научно-учебного комплекса «Фундаментальные науки» (НУК ФН), МГТУ им. Н.Э. Баумана
Аннотация
Постановка проблемы. Необходимость решения задачи обнаружения падений для пожилых людей обусловлена общеизвестным явлением глобального старения населения, которое является результатом увеличения продолжительности жизни и снижения рождаемости. Ежегодно население старше 60 лет увеличивается на 3%; по оценкам ООН в 2030 г. число людей старше 60 лет может достигнуть 1,4 млрд человек. Пожилые люди подвержены негативным физиологическим изменениям, которые могут увеличить количество травм, в том числе вызванных падением. Около 13% всех смертей пожилых людей являются результатом отсутствия помощи после эпизода падения.
Цель работы – разработка эффективных методов обнаружения падений.
Результаты. В настоящее время в продаже имеются носимые датчики падения, также научное сообщество активно работает над разработкой и совершенствованием бесконтактных систем, использующих оптические и неоптические датчики для автоматического обнаружения падения. Тем не менее, на сегодняшний день остаются нерешенными вопросы, связанные в первую очередь с высоким уровнем ложных срабатываний, нарушением конфиденциальности, высокой стоимостью устройства. В работе описаны экспериментальный макет биорадиолокатора для бесконтактной детекции падений человека и алгоритм классификации на основе применения вейвлет-анализа и глубокого обучения, которые в совокупности позволяют создать недорогой портативный биорадар для дистанционного обнаружения падений. С этой целью была использована архитектура предварительно обученной для распознавания изображений глубокой нейронной сети GoogLeNet. В качестве входных данных для данной сети использовано частотно-временно́е представление биорадиолокационного сигнала, представляющее собой абсолютные значения коэффициентов вейвлет-преобразования. В качестве базового вейвлета выбран вейвлет Морле. Архитектура сети GoogLeNet была адаптирована для решения задачи обнаружения падений. Обработка данных выполнена с использованием пакета MATLAB 2019a. Точность классификации при помощи предложенного алгоритма для тестирующей выборки составила 98,96 %.
Практическая значимость. В ходе дальнейших исследований предполагается расширить экспериментальную базу данных с учетом различных состояний окружающей обстановки и расстояний от радара до биологического объекта.
Для цитирования
Анищенко Л.Н. Глубокое обучение в обнаружении падений при помощи метода биорадиолокации // Биомедицинская радиоэлектроника. 2020. № 1. С. 67–72. DOI: https://doi.org/10.18127/j15604136-202001-07
Список источников
- Desa U.N. World Population Prospects, United Nations Department of Economic and Social Affairs // Population Division. 2017.
- Institute of Medicine (US). Division of Health Promotion and Disease Prevention. The second fifty years: Promoting health and preventing disability. National Academy Press. 1992.
- Fernando E. et al. Risk factors associated with falls in older adults with dementia: a systematic review // Physiotherapy Canada. 2017. V. 69. № 2. P. 161–170.
- Prevention O.F. et al. Guideline for the prevention of falls in older persons // J. Am. Geriatr. Soc. 2001. V. 49. № 5. P. 664–672.
- Kau L.J., Chen C.S. A smart phone-based pocket fall accident detection, positioning, and rescue system // IEEE journal of biomedical and health informatics. 2014. V. 19. № 1. P. 44–56.
- Rakhman A.Z. et al. Fall detection system using accelerometer and gyroscope based on smartphone // 2014 The 1st International Conference on Information Technology, Computer, and Electrical Engineering. IEEE. 2014. P. 99–104.
- Rathi N. et al. Wearable low power pre-fall detection system with IoT and bluetooth capabilities // 2017 IEEE National Aerospace and Electronics Conference (NAECON). IEEE. 2017. P. 241–244.
- Agrawal S.C., Tripathi R.K., Jalal A.S. Human-fall detection from an indoor video surveillance // 2017 8th International Conference on Computing, Communication and Networking Technologies (ICCCNT). IEEE. 2017. P. 1–5.
- Sase P.S., Bhandari S.H. Human Fall Detection using Depth Videos // 2018 5th International Conference on Signal Processing and Integrated Networks (SPIN). IEEE. 2018. P. 546–549.
- Anishchenko L. et al. Application of step-frequency radars in medicine // Radar Sensor Technology XVIII. International Society for Optics and Photonics. 2014. V. 9077. P. 90771N.
- Wu Q. et al. Radar-based fall detection based on Doppler time–frequency signatures for assisted living // IET Radar, Sonar & Navigation. 2015. V. 9. № 2. P. 164–172.
- Dremina M.K., Anishchenko L.N. Contactless fall detection by means of CW bioradar // 2016 Progress in Electromagnetic Research Symposium (PIERS). IEEE. 2016. С. 2912–2915.
- Anishchenko L., Alborova I., Dremina M. Discriminant analysis in bioradar-based fall events classification // 2017 IEEE International Conference on Microwaves, Antennas, Communications and Electronic Systems (COMCAS). IEEE. 2017. P. 1–4.
- K-LC5 High Sensitivity Dual Channel Transceiver, URL: https://www.rfbeam.ch/product-id=9.
- Amin M., Ahmad F., Jokanovic B. Personalized fall detection and classification through walls and in heavy indoor clutter // Radar Sensor Technology XIX; and Active and Passive Signatures VI. International Society for Optics and Photonics. 2015. V. 9461. P. 94610H.
- Torrey L., Shavlik J. Transfer learning // Handbook of research on machine learning applications and trends: algorithms, methods, and techniques. IGI Global. 2010. P. 242–264.
- Szegedy C. et al. Going deeper with convolutions // Proceedings of the IEEE conference on computer vision and pattern recognition. 2015. P. 1–9.
- Anishchenko L.N., et al. Low-Cost Portable Bioradar System for Fall Detection // 2019 Progress in Electromagnetic Research Symposium (PIERS). IEEE, 2019. In press.