基于图卷积、图注意力与不确定性感知Transformer的老年跌倒检测混合框架

《Scientific Reports》：Hybrid graph-temporal modeling with uncertainty-aware Transformers for elderly fall detection

　　

摘要

跌倒的准确检测，尤其是针对老年人群，仍是智能健康监护领域面临的一项关键挑战，因为干预延迟会带来严重的身体和心理后果。本文提出了一种新颖的混合跌倒检测框架，该框架通过整合图卷积网络（GCNs）、图注意力网络（GATs）、逆图傅里叶变换（IGFT）以及不确定性感知Transformer（UATransformer）架构，同时捕捉人体运动的空间和时间动态。空间依赖关系通过GCN建模以提取局部关节交互，而GAT则自适应地优先关注关键关节，增强了对遮挡、摄像机角度偏差以及视觉上相似动作的鲁棒性。运动特征在频域中通过IGFT和多尺度谱滤波进一步精炼，从而实现全局姿态漂移、协调关节运动和跌倒高频加速度的分离。时序建模采用不确定性感知Transformer完成，该模型对模糊或跌倒起始帧赋予更高的注意力权重，从而实现对即将发生的跌倒的早期检测。为解决类别不平衡问题并提高对罕见事件的敏感性，采用了一种结合加权交叉熵、焦点损失和跌倒起始预测损失的多分量损失函数。该框架在NTU RGB+D数据集和罗兹大学跌倒检测数据集上进行了评估，前者包含120类日常活动的114,480个样本，后者包含30段日常活动动作和跌倒序列，分别达到了99.00%和99.80%的准确率。综上，这些贡献共同打造了一个能够鲁棒地区分跌倒与相似动作、提前预判跌倒发生，并具有在临床和老年护理环境中部署潜力的模型。