Đăng nhập
 
Tìm kiếm nâng cao
 
Tên bài báo
Tác giả
Năm xuất bản
Tóm tắt
Lĩnh vực
Phân loại
Số tạp chí
 

Bản tin định kỳ
Báo cáo thường niên
Tạp chí khoa học ĐHCT
Tạp chí tiếng anh ĐHCT
Tạp chí trong nước
Tạp chí quốc tế
Kỷ yếu HN trong nước
Kỷ yếu HN quốc tế
Book chapter
Bài báo - Tạp chí
Số Công nghệ TT 2017 (2017) Trang: 65-71
Tải về

Thông tin chung:

Ngày nhận bài: 15/09/2017
Ngày nhận bài sửa: 10/10/2017

Ngày duyệt đăng: 20/10/2017

 

Title:

Elderly fall detection based on accelerometer and long short-term memory

Từ khóa:

Gia tốc kế, mạng neural hồi qui, người cao tuổi, phát hiện té ngã

Keywords:

Accelerometer, elderly, fall detection, ong Short-Term Memory

ABSTRACT

Fall is the most common cause of injury for elderly people. It does not only lead to physical injuries such as broken hip or head trauma, but also causes some psychological problems. However, early fall detection can help to reduce fall’s consequences. Therefore, in this paper, an approach is proposed to detect elderly fall based on accelerometer data. The fall detection model is constructed using the long short-term memory deep learning architecture. A long short-term memory with 64 hidden units is used to train the detection model. The experimental result shows that this approach is suited to detect falls of the elderly with 93.9% of accuracy.

TÓM TẮT

Té ngã là một hiện tượng phổ biến của người cao tuổi. Té ngã không những gây ra các chấn thương sinh lý nghiêm trọng như gãy xương, tổn thương vùng đầu,… mà còn gây ra các tổn thương về tâm lý cho người cao tuổi. Ngoài việc phòng chống thì phát hiện té ngã một cách kịp thời có thể giúp hạn chế hậu quả của việc té ngã gây ra. Trong bài báo này, chúng tôi đề xuất một phương pháp phát hiện té ngã cho người già sử dụng gia tốc kế (accelerometer) trên các thiết bị di động. Mô hình nhận dạng té ngã được xây dựng dựa trên mô hình học sâu Long Short-Term Memory (LSTM). Chúng tôi sử dụng mô hình học sâu LSTM với 64 lớp ẩn. Kết quả thực nghiệm trên tập dữ liệu thực do chúng tôi thu thập thực tế cho thấy rằng mô hình đề xuất phù hợp cho việc phát hiện té ngã ở người cao tuổi với độ chính xác là 93,9%.

Trích dẫn: Trần Công Án, Lữ Minh Phúc, Đỗ Thanh Đức, Ngô Bá Hùng, Lê Đình Chiến, Phạm Thị Xuân Diễm, Sơn Búp Pha và Nguyễn Hữu Vân Long, 2017. Phát hiện té ngã cho người cao tuổi bằng gia tốc kế và mô hình học sâu Long Short-Term Memory. Tạp chí Khoa học Trường Đại học Cần Thơ. Số chuyên đề: Công nghệ thông tin: 65-71.

Các bài báo khác
Số Công nghệ TT 2017 (2017) Trang: 133-139
Tải về
Số 47 (2016) Trang: 47-58
Tải về
17 (2019) Trang: 1-8
Tạp chí: EAI Endorsed Transactions on Context-aware Systems and Applications
(2017) Trang: 10-15
Tạp chí: The International Conference on Advanced COMPuting and Applications (ACOMP)
18(64) (2017) Trang: 1-34
Tạp chí: Journal of Machine Learning Research
Volume 168 (2016) Trang: 52-61
Tạp chí: Nature of Computation and Communication
(2014) Trang: 82 - 87
Tác giả: Trần Công Án
Tạp chí: Hội thào một số vấn để chọn lọc của CNTT & Truyền thông - Buôn Ma Thuộc, Đắk Lắk, 30-31/10/2014
11 (2015) Trang: 7-12
Tác giả: Trần Công Án
Tạp chí: The 2015 IEEE-RIVF International Conference on Computing and Communication Technologies
15 (2013) Trang: 22-28
Tạp chí: Space, Time and Ambient Intelligence 2013 (STAMI 2013), Washington USA. July 14?18, 2013
1 (2012) Trang: 302
Tác giả: Trần Công Án
Tạp chí: Research and Applications
25 (2012) Trang: 443
Tác giả: Trần Công Án
Tạp chí: Machine Learning Research
1 (2012) Trang: 144
Tác giả: Trần Công Án
Tạp chí: ICOST 10
1 (2012) Trang: 302
Tạp chí: 6th International Symposium, RuleML 2012
443 (2012) Trang: 25
Tạp chí: Workshop and Conference Proceedings
1 (2010) Trang: 144
Tạp chí: 8th International Conference on Smart Homes and Health Telematics, ICOST 2010
2 (2010) Trang: 211
Tác giả: Trần Công Án
Tạp chí:  Journal of Ambient Intelligence and Smart Environment
 

CTUJoS indexed by Crossref

Vietnamese | English


BC thường niên 2019


Bản tin ĐHCT


TCKH tiếng Việt


TCKH tiếng Anh

 
 
Vui lòng chờ...