أساليب تعلم الآلة لكشف السقوط باستخدام بيانات متكاملة من أجهزة استشعار متعددة العلامات التجارية

الملخص السقوط مصدر قلق صحي كبير عبر جميع الفئات العمرية، مما يؤدي إلى إصابات خطيرة وحتى الوفاة. ظهرت أنظمة كشف السقوط المعتمدة على أجهزة الاستشعار القابلة للارتداء التي تستخدم مستشعرات التسارع، والزنبركات، والمغناطيسيات (وحدات القياس الحركية، IMUs) كحل واعد. تستند الأبحاث الحالية بشكل أساسي إلى بيانات من علامة تجارية واحدة فقط من IMU. تعالج هذه الدراسة هذا القيد من خلال اقتراح نهج دمج بيانات متعددة المستشعرات لتحسين دقة كشف السقوط باستخدام تعلم الآلة. نقدم نهجًا جديدًا يجمع البيانات من اثنين من IMUs المتاحة تجاريًا: Motion Trackers Wireless (MTW) وجهاز تتبع النشاط المصمم خصيصًا (ATD). تم إنشاء مجموعة بيانات هجينة تضم بيانات من 44 متطوعًا، تلتقط كل من معلومات السقوط والنشاط اليومي من أجهزة استشعار موضوعة على الخصر. تم تنظيم البيانات في شكل سلسلة زمنية لالتقاط الطبيعة المتسلسلة لوقائع السقوط. تم تدريب عشرة مصنفات تعلم الآلة (ML) وتقييمها على بيانات غير مرئية باستخدام طريقة تقسيم البيانات. حقق خوارزمية Extra Trees أفضل أداء على مجموعة البيانات الهجينة، بدقة 99.54%، وprecision 99.18%، واسترجاع 99.79%، وF-score 99.49%. وهذا يدل على فعالية دمج البيانات متعددة المستشعرات في إنشاء نظام كشف سقوط دقيق للغاية مع الحد الأدنى من الإنذارات الكاذبة، باستخدام بيانات من علامات تجارية مختلفة من IMU. تسلط هذه الدراسة الضوء على إمكانيات دمج البيانات من مستشعرات مختلفة لتحسين دقة كشف السقوط، مما يمهد الطريق لأنظمة كشف السقوط الأكثر موثوقية والتي لا تعتمد على علامة تجارية معتمدة على السلاسل الزمنية ونهج تعلم الآلة.