基于集成小波神经网络与最大重叠离散小波变换的老年人跌倒检测与预测精度提升研究

本文推荐一项创新研究：通过集成小波神经网络（EWNNET）与最大重叠离散小波变换（MODWT）构建新型跌倒预测模型，利用多传感器IMU数据显著提升分类性能，准确率达96.7%。该模型在灵敏度、特异性及F1分数等指标上优于传统机器学习方法，为老年人安全监护提供了高效、可靠的AI解决方案。

　　

Highlight

物联网（IoT）与深度学习在医疗保健中的应用已被广泛研究，尤其在改善患者预后方面展现出巨大潜力，例如通过可穿戴设备实现跌倒检测系统的实时监测与预警（Jangra and Gupta, 2018）。然而，基于IoT的跌倒检测系统仍面临数据质量与计算效率的挑战。

Fall detection and prediction model

IoT与人工智能（AI）融合存在一项主要局限：需大量高质量数据训练AI模型。为解决人类跌倒问题，我们分析了一个包含跌倒、跌倒前事件与日常活动（ADL）数据的现有数据集——惯性测量数据集（IMU），该数据集通过七种传感器采集实时姿态数据，并按80%训练集与20%测试集划分。

Methodology

1. 1.

   对原始时间序列应用金字塔算法，获取最大重叠离散小波变换（MODWT）；

2. 2.

   利用提取的小波与尺度分量系数构建时间序列对象；

3. 3.

   采用自回归神经网络（ARNN）对各时间序列建模，并引入滞后值‘p’，同时构建网络集成（详见图2）；

4. 4.

   选择对应最小平均绝对缩放误差（MASE）的最大自回归参数（MaxARParam），优化模型性能。

Model performance

本节通过一系列实验验证EWNNET-MODWT模型的有效性。模型使用现成的IMU数据集评估，该数据集包含胸骨、大腿与脚踝处的三个IMU传感器。活动类型详见表1。如表3所示，本方法在准确率（96.7%）、灵敏度、特异性与F1分数上均优于以往方法，展现出卓越的分类能力。

Conclusion and future work

尽管目前无法完全预防人类跌倒，但可采取措施降低风险并减少伤害。这对跌倒高风险群体——老年人尤为重要。本研究提出EWNNET-MODWT方法，通过MODWT将跌倒时间序列分解为不同频带，再以ARNN分别建模各频带并集成结果，显著提升了分类性能。未来工作将扩展模型至多模态数据融合，并探索其在实时边缘计算设备上的部署潜力。