| 摘要:穿戴快速且精准的跌倒检测装置是减少老年人因跌倒后无法及时救助而受到伤害的有效方法。目前用于老人跌倒检测的深度学习模型仍未能兼顾精度与计算效率，提出一种基于结构重参数化的跌倒检测分类模型用于解决上述问题。首先，确定跌倒落地合加速度最大时刻作为数据窗口的中心点，以此点向前和向后分别截取2秒的数据作为模型输入，构建多分支不同大小的卷积核作为特征提取的核心骨干网络。其次，引入Ghost模块减少计算量，使模型更轻量化。最后，使用结构重参数化，使得模型的训练和测试有所区分，在模型训练时通过多分支卷积提取加速度、陀螺仪和欧拉角的特征，在测试时，将多分支结构等价转换为单路结构后，在几乎不损失模型性能的前提下减少了模型的计算量并提高了推理速度。实验结果表明，在KFall和SisFall两个跌倒公开数据集上，改进后的模型分别获得99.60%和98.67%的准确率、99.56%和98.58%的特异度、99.64%和98.72%的敏感度。 |
| 关键词: 跌倒检测 轻量化模型 结构重参数化 可穿戴设备 惯性传感数据 |
|
|
|
|
| Abstract: |
| Key words: |