加速度センサを用いたLSTMに基づく転倒検知

• Item type: SIG Technical Reports(1)
• 公開日: 2021-02-22
• タイトル: 加速度センサを用いたLSTMに基づく転倒検知
• タイトル / 言語: en
• タイトル: Fall Detection Based on LSTM Using Accelerometer
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: SeMI
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 慶應義塾大学大学院理工学研究科
• 著者所属: 慶應義塾大学理工学部情報工学科
• 著者所属: 慶應義塾大学大学院理工学研究科
• 著者所属: 慶應義塾大学理工学部情報工学科
• 著者所属(英): en
• 著者所属(英): Graduate School of Science and Technology, Keio University
• 著者所属(英): en
• 著者所属(英): Department of Information and Computer Science, Faculty of Science and Technology, Keio University
• 著者所属(英): en
• 著者所属(英): Graduate School of Science and Technology, Keio University
• 著者所属(英): en
• 著者所属(英): Department of Information and Computer Science, Faculty of Science and Technology, Keio University
• 著者名: 魚谷, 義也; 葉, 臣; 山本, 幸平; 大槻, 知明
• 著者名(英): Yoshiya, Uotani; Chen, Ye; Kohei, Yamamoto; Tomoaki, Ohtsuki
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 近年，高齢化に伴い高齢者の転倒事故の増加が問題となっている．これに対し，加速度センサによる転倒検知法が研究・開発されている．しかし，従来の転倒検知法は，複数の加速度センサの位置に対応しておらず， またサポートベクターマシン (SVM: Support Vector Machine) やランダムフォレスト (RF: Random Forest) といった時系列予測に適していない分類アルゴリズムを使用しているため，検知精度が低いという問題がある．本稿では， 加速度センサを用いた LSTM (Long short-term memory) に基づく転倒検知を提案する．提案法では，複数のセンサ設置位置で行動を学習し，LSTM によって行動を多クラスに分類した後，転倒・非転倒の 2 クラスに分類する．実験により，提案法が従来法より高い転倒検知精度を達成することを示す．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: In recent years, the increase in fall accidents among the elderly has become a problem with the aging of the population. A fall detection method using an accelerometer has been researched and developed. However, conventional fall detection methods do not support the positions of multiple accelerometers. Besides, there is a problem that the detection accuracy is low because they use a classification algorithm that is not suitable for time series prediction, such as Support Vector Machine (SVM) and Random Forest (RF). In this report, we propose fall detection based on LSTM (Long short-term memory) using an accelerometer. In the proposed method, behaviors are learned at multiple sensor installation positions, and the behaviors are classified into multiple classes by LSTM, and then classified into two classes, fall and non-fall. Experiments show that the proposed method achieves higher fall detection accuracy than the conventional method.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AA11851388
• 書誌情報: 研究報告モバイルコンピューティングとパーベイシブシステム（MBL）; 巻 2021-MBL-98, 号 6, p. 1-6, 発行日 2021-02-22
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 2188-8817
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会