顶部>JACIII公司>智能家居中的跌倒检测技术综述。。。

单jc.php

JACIII公司 第26卷第5期 第747-757页
doi:10.20965/jaciii.2022.p0747
(2022)

审查：

过去60天的浏览量： 583

智能家居中老年人和残疾人跌倒检测研究综述

Tsepo Constantinus Kolobe，重庆图†和Pius Adewale Owolawi

茨瓦纳理工大学计算机系统工程系
南非比勒陀利亚0001 Soshanguve Aubrey Matlakala街2号

†通讯作者

收到时间：
2021年8月30日
认可的：
2022年5月21日
出版：
2022年9月20日
Creative Commons许可证
关键词：
跌倒检测、可穿戴设备、基于视觉、环境设备、多模式
摘要

摔倒是独居老人和残疾人面临的一大挑战。因此，他们需要可靠的监测，以便在摔倒时得到帮助。需要一个有效的坠落检测系统来为这些人提供良好的护理，因为这将允许与护理人员进行沟通。这样一个系统不仅可以减少与跌倒相关的医疗费用，还可以降低老年人和残疾人因跌倒导致的死亡率。本文综述了用于跌倒检测的不同跌倒检测技术和算法。分析和比较了各种坠落检测方法，包括可穿戴、视觉、环境和多模式系统，并提出了建议。

引用本文为：
T.Kolobe、C.Tu和P.Owolawi，“老年人和残疾人智能家居跌倒检测综述”高级计算杂志。因特尔。因特尔。通知。第26卷第5期，第747-757页，2022年。
数据文件：
参考文献
  1. [1] M.Luštrek和B.Kaluža，“机器学习的跌倒检测和活动识别”，《信息学》，第33卷，第2期，197-2042009页。
  2. [2] P.-L.Yu等人，“北京城市社区老年人跌倒的患病率及相关因素”，《生物医学与环境科学》，第22卷，第3期，第179-187页，2009年。
  3. [3] J.S.Williams等人，“低收入和中等收入国家老年人跌倒相关损伤的患病率、风险因素和残疾：来自世卫组织全球老龄化和成人健康研究（SAGE）的结果”，BMC医学，第13卷，第147条，2015年。
  4. [4] R.Igual、C.Medrano和I.Plaza，“坠落检测系统的挑战、问题和趋势”，《生物医学工程在线》，第12卷，第66条，2013年。
  5. [5] N.B.Joshi和S.Nalbalwar，“使用计算机视觉和物联网的老年人跌倒检测和警报系统”，第二届IEEE国际电子、信息和通信技术近期趋势会议（RTEICT），第1276-1281页，2017年。
  6. [6] K.Adhikari、H.Bouchachia和H.Nait Charif，“使用卷积神经网络进行室内跌倒检测的活动识别”，第15届IAPR国际机器视觉应用会议（MVA），第81-842017页。
  7. [7] V.Vaidehi等人，“室内环境中基于视频的自动坠落检测”，《信息技术最新趋势国际会议》，第1016-1020页，2011年。
  8. [8] H.Jian和H.Chen，“基于k-NN算法和远程医学的便携式坠落检测和报警系统”，中国通信，第12卷，第4期，第23-31页，2015年。
  9. [9] Z.Wu等人，“视频分类和字幕的深度学习”，第3-29页，S.F.Chang（编辑），“多媒体研究的前沿”，计算机协会和Morgan&Claypool，2017年。
  10. [10] A.Purushothaman、K.Vineetha和D.G.Kurup，“使用人工神经网络的坠落检测系统”，第二届发明通信和计算技术国际会议（ICICCT），第1146-1149页，2018年。
  11. [11] A.Jahanjoo、M.N.Tahan和M.J.Rashti，“使用三轴加速度传感器和MLF算法进行准确的坠落检测”，第三届模式识别和图像分析国际会议，第90-95页，2017年。
  12. [12] G.L.Santos等人，“使用卷积神经网络基于加速度计的人体坠落检测”，《传感器》，第19卷第7期，第1644条，2019年。
  13. [13] N.Yodpijit、T.Sittiwanchai和M.Jongprasithporn，“用于跌倒检测的人工神经网络（ANN）的开发”，第三届控制、自动化和机器人国际会议（ICCAR），第547-550页，2017年。
  14. [14] F.-T.Wang等人，“使用三轴加速度计和陀螺仪混合的基于阈值的坠落检测”，《生理测量》，第39卷，第10期，第105002条，2018年。
  15. [15] M.Soni等人，“使用机器学习分类器增强跌倒检测的方法”，第12届国际计算智能与通信网络会议（CICN），第229-2332020页。
  16. [16] I.W.W.Wisesa和G.Mahardika，“基于使用递归神经网络的加速度计和陀螺仪传感器数据的坠落检测算法”，IOP Conf.系列：地球与环境科学，第258卷，第1期，第012035条，2019年。
  17. [17] S.Huang、Y.Yang和W.Liu，“基于成本敏感性分析的增强坠落检测方法”，第一届ACIS国际研讨会。《软件和网络工程》，第81-85页，2011年。
  18. [18] P.A.Fahmi、V.Viet和C.Deok-Jai，“智能手机中使用跌倒指示器的半监督跌倒检测算法”，Proc。第六届国际泛在信息管理与传播大会，2012年第122号。
  19. [19] M.Vidigal、M.Lima和A.D.A.Neto，“基于人工神经网络的老年人跌倒检测”，第14届墨西哥国际人工智能会议，第226-230页，2015年。
  20. [20] T.N.Gia等人，“基于物联网的节能传感器节点坠落检测系统”，IEEE Nordic Circuits and Systems Conf.（NORCAS），doi:10.1109/NORCHIP.2016.77928902016。
  21. [21]N.Otansap，“使用动态阈值模型基于可穿戴设备的预撞击跌落检测”，第17届并行与分布式计算、应用与技术国际会议，第362-365页，2016年。
  22. [22]S.Greene、H.Thapliyal和D.Carpenter，“智能家居环境中基于物联网的坠落检测”，IEEE国际交响乐团。纳米电子和信息系统（iNIS），第23-28页，2016年。
  23. [23]A.Edgcomb和F.Vahid，“私人增强视频的自动坠落检测”，IEEE医学和生物学会工程年度国际会议，第252-255页，2012年。
  24. [24]A.Sucerquia、J.D.López和J.F.Vargas Bonilla，“使用三轴加速度计进行实时/实时老年人跌倒检测”，《传感器》，第18卷，第4期，第1101条，2018年。
  25. [25]C.Poynton，“数字视频和高清：算法和接口”，Elsevier，2012年。
  26. [26]F.Merrouche和N.Baha，“利用人体形状和运动进行基于深度相机的坠落检测”，IEEE信号和图像处理国际会议（ICSIP），第586-590页，2016年。
  27. [27]H.Rajabi和M.Nahvi，“老年人和患者跌倒和麻醉检测的智能视频监控系统”，第二届模式识别和图像分析国际会议，doi:10.1109/PRIA.2015.71616442015。
  28. [28]A.Nüñez-Marcos、G.Azkune和I.Arganda-Carreras，“基于视觉的坠落检测与卷积神经网络”，《无线通信与移动计算》，第9474806条，2017年。
  29. [29]G.Basavaraj和A.Kusagur，“基于视觉的人体坠落监测系统”，第二届IEEE国际会议，RTEICT，第1516-1520页，2017年。
  30. [30]C.Rougier等人，“基于人体形状变形的坠落检测鲁棒视频监控”，IEEE Trans。视频技术电路和系统，第21卷，第5期，第611-622页，2011年。
  31. [31]M.Yu等人，“用于在房间环境中监测老年人的基于一类支持向量机的在线个人特定跌倒检测系统”，《生物医学与健康信息学杂志》，第17卷，第6期，第1002-1014页，2013年。
  32. [32]A.Y.Alaoui等人，“使用von mises运动矢量分布进行基于视频的人体跌倒检测”，智能系统和计算机视觉（ISCV），doi:10.1109/ISACV.2017.80549422017。
  33. [33]S.Chhetri等人，“基于视觉的坠落检测系统的深度学习：增强的光学动态流”，《计算智能》，第37卷，第1期，第578-595页，2021年。
  34. [34]X.Wang和K.Jia，“基于YOLOv3的人体坠落检测算法”，IEEE第五届图像、视觉和计算国际会议（ICIVC），第50-54页，2020年。
  35. [35]K.Adhikari、H.Bouchachia和H.Nait Charif，“使用简化人体姿势进行基于深度学习的跌倒检测”，《计算机与系统工程国际期刊》，第13卷，第5期，第251-2562019页。
  36. [36]G.Mastorakis和D.Makris，“使用Kinect红外传感器的坠落检测系统”，《实时图像处理杂志》，第9卷，第4期，第635-646页，2014年。
  37. [37]E.Auvinet等人，“使用身体体积重建和垂直重分配分析进行跌倒检测”，《图像和信号处理国际会议》，第376-383页，2010年。
  38. [38]T.-H.Tsai和C.-W.Hsu，“基于3D骨架的深度学习技术坠落检测系统的实现”，IEEE Access，第7卷，第153049-1530592019页。
  39. [39]M.Mubashir、L.Shao和L.Seed，“跌倒检测的调查：原理和方法”，《神经计算》，第100卷，第144-152页，2013年。
  40. [40]Y.Huang和K.Newman，“使用超声波传感器通过远程活动和跌倒检测提高护理质量”，IEEE医学和生物学会工程年度国际会议，第5854-5857页，2012年。
  41. [41]C.N.Doukas和I.Maglogiannis，“利用运动、声音和视觉感知组件检测辅助生活环境中的紧急坠落事件”，IEEE Trans。《生物医学中的信息技术》，第15卷，第2期，第277-289页，2010年。
  42. [42]Y.Li、K.Ho和M.Popescu，“用于自动坠落检测的麦克风阵列系统”，IEEE Trans。生物医学工程，第59卷，第5期，第1291-1301页，2012年。
  43. [43]M.Cheffena，“使用智能手机音频功能进行跌倒检测”，《生物医学和健康信息学IEEE J.》，第20卷，第4期，第1073-1080页，2015年。
  44. [44]D.Droghini等人，“使用暹罗自动编码器进行一次性人体坠落检测的音频度量学习”，IEEE Trans。《计算智能新兴主题》，第5卷，第1期，第108-118页，2019年。
  45. [45]H.Rimminen等人，“利用近场电场通过楼层传感器检测老年人跌倒”，IEEE Trans。《生物医学信息技术》，第14卷，第6期，第1475-1476页，2010年。
  46. [46]F.Bianchi等人，“基于气压和三轴加速度的坠落事件检测”，IEEE Trans。神经系统与康复工程，第18卷，第6期，第619-627页，2010年。
  47. [47]L.Liu等人，“基于多普勒雷达运动特征的自动跌倒检测”，第五届国际医疗保健普及计算技术研讨会，第222-225页，2011年。
  48. [48]H.Sadreazami、M.Bolic和S.Rajan，“使用基于防区外雷达的传感和深度卷积神经网络进行坠落检测”，IEEE Trans。《电路与系统II：快讯》，第67卷第1期，第197-2019页。
  49. [49]J.Maitre、K.Bouchard和S.Gaboury，“UWB雷达和CNN-LSTM架构的坠落检测”，《生物医学和健康信息学IEEE期刊》，第25卷，第4期，第1273-12832020页。
  50. [50]J.Dai等人，“基于手机的普及跌倒检测”，《个人与普适计算》，第14卷，第7期，第633-643页，2010年。
  51. [51]A.Fleury、M.Vacher和N.Noury，“基于SVM的健康智能家居日常生活活动的多模式分类：传感器、算法和首次实验结果”，IEEE Trans。《生物医学中的信息技术》，第14卷，第2期，第274-283页，2009年。
  52. [52]S.Khawandi、P.Chauvet和B.Daya，“将神经网络体系结构应用于老年人的多传感器监测系统”，第六届高级工程计算与科学应用国际会议（ADVCOMP），第15-22页，2012年。
  53. [53]M.Lustrek等人，“使用位置传感器和加速度计进行坠落检测”，IEEE普及计算，第14卷，第4期，第72-79页，2015年。
  54. [54]X.Yang、A.Dinh和L.Chen，“基于Naive Bayes分类器的可穿戴式实时坠落探测器”，CCECE 2010，doi:10.1109/CCECE.2010.55751292010。
  55. [55]D.Yacchirema等人，“使用物联网和大数据的老年人跌倒检测系统”，《Procedia计算机科学》，第130卷，第603-610页，2018年。
  56. [56]J.-S.Lee和H.-H.Tseng，“使用内置加速计的智能手机开发增强型阈值坠落检测系统”，IEEE Sensors J.，第19卷，第18期，第8293-83022019页。
  57. [57]L.Palmerini等人，“使用机器学习进行基于加速计的坠落检测：真实坠落的训练和测试”，《传感器》，第20卷，第22期，第6479条，2020年。
  58. [58]Y.-H.Nho、J.G.Lim和D.-S.Kwon，“基于聚类分析的用户自适应跌倒检测，在可穿戴设备中融合心率传感器和加速度计”，IEEE Access，第8卷，第40389-40401页，2020年。
  59. [59]I.P.E.S.Putra等人，“基于加速度计的坠落检测的事件触发机器学习方法”，《传感器》，第18卷，第1期，第20条，2017年。
  60. [60]W.Chen等人，“基于人体骨骼关键点的跌落检测，使用开放姿势”，《对称》，第12卷，第5期，第744条，2020年。
  61. [61]U.Asif等人，“使用视频数据保护隐私的人体坠落检测”，Proc。机器学习健康研讨会，第116卷，第39-51页，2020年。
  62. [62]F.Harrou等人，“家庭环境中基于视觉的有效人体坠落检测综合方法”，IEEE Access，第7卷，第114966-1149742019页。
  63. [63]T.Han、W.Kang和G.Choi，“使用CNN算法的基于IR-UWB传感器的坠落检测方法”，《传感器》，第20卷，第20期，第5948条，2020年。
  64. [64]H.Li等人，“用于多模式连续人类活动识别和坠落检测的Bi-LSTM网络”，IEEE Sensors J.，第20卷，第3期，第1191-1201页，2019年。
  65. [65]Y.M.Galvão等人，“一种使用深度学习进行跌倒检测的多模式方法”，《专家系统与应用》，第168卷，第114226条，2021年。

Creative Commons许可证 本文发表于Creative Commons Attribution-NoDerivatives 4.0国际许可证。

*该网站是基于HTML5和CSS3为现代浏览器设计的，例如Chrome、Firefox、Safari、Edge和Opera。

上次更新日期：2024年5月19日