本文提出了一种用于可穿戴设备的自动跌倒检测方法,该方法可以在检测到跌倒时及时提醒护理人员,从而减少老年人的伤害。
UI-GAN架构
特征描述
数据集描述
模型评价:
精确率 = (TP + TN)/(TP + TN + FP + FN),
Sen灵敏度 = TP/(TP + FN),
Spe特殊性 = TN/(TN + FP),
YI指标 = 1/2(Sensitivity + Specificity)
高Spe意味着在非跌倒中跌倒检测的假阳性率低; 否则,高Sen意味着跌倒中的缺失率低。
有待完善
2022.10.21更新
训练目标函数结合了对抗性损失 (Ladv) 、上下文损失 (Lcon) 和潜在损失 (Llat)。
本文中生成器为上面根据Non-fall data重建样本的过程,生成器尝试使用初始信息来学习非跌倒特征的分布。
训练完成后,生成器最终生成重建,这与非跌倒行为特征高度相似。
在异常检测器中,输入的非跌倒行为样本与其重构之间的差异将足够小。但是,重建将与输入的非跌倒行为样本有很大不同,因为生成器试图在非跌倒行为样本特征分布中进行重建。
从输入和重建之间的差异 (异常得分) ( ||-||)提出的基于GAN的异常检测器确定是跌倒还是不跌倒。
对抗性损失Ladv与传统GAN中的判别器损失起相同作用,其中Ladv在(1)中表示。在(2)中,上下文损失Lcon旨在优化关于输入数据的上下文信息,对输入和重建之间的差异 (异常得分)
||-||求期望
符号 | 含义 |
---|---|
D | 判别函数,输出值范围0~1,0表示预测为生成样本,1表示预测为真实样本 |
生成函数,用于生成样本数据 | |
Ex~pdata(x) | 表示对真实样本求期望(本身无意义,表示求后边中括号内公式的期望) |
Ez~pz(z) | 表示对生成样本分别求期望(本身无意义,表示求后边中括号内公式的期望) |
1. 首先来看函数Ladv(D(),D()),这个函数就是用来衡量判别式性能的,当D性能最优时,第一项中D()的期望=1,第一项整体期望等于0,第二项D() 的期望等于0 第二项整体期望等于0,Ladv(D(),D())=0;D的性能越差,同理可知,公式中的两项都会越小(且为负值)Ladv(D(),D())越小
2. 将max()Ladv(D,)看作一个整体,将损失Ladv按最大值优化,根据第一点可知,得到最优的判别式网络D
3. 然后,表示找到最优的判别式网络D的基础上,通过最小化Ladv(D())这个损失函数的方式,找到最优的生成网络G;因为得到最优的生成网络G,等价于让判别网络无法识别生成网络G生成的样本,等价于降低判别式网络D的性能。
使用L1-norm代替输入图像与其重建之间的L2-norm,因为它减少了重建中的模糊性。从理论上讲,该模型可以生成与上述两个损失相似的图像,并且额外的损失有助于减小等式3中x和x的潜在表示之间的距离,其中f(·) 表示鉴别器D的最后卷积层。最后,总的培训目标变成了损失的加权总和,其中wadv = 1,wcon = 40,wlat = 1 。更新使用了Adam优化器,以便通过反向传播最小化方程4 。