88、基于视觉的跌倒检测的联邦迁移学习

基于视觉的跌倒检测的联邦迁移学习

研究背景与目的

在跌倒检测领域，目前已有多种方法，如基于传感器、设备和计算机视觉的方法。然而，隐私保护问题在这些方法中大多被忽视，特别是基于计算机视觉的方法涉及用户的实时视频和图像，更易引发隐私担忧。本文旨在利用联邦学习实现基于视觉的跌倒检测，并保护用户隐私。通过使用预训练模型（如VGG19、InceptionV3和InceptionResNetV2），结合联邦平均（FedAvg）算法评估模型，同时对比经典卷积神经网络（CNN）的性能。

相关工作

• 基于辅助设备的方法
  • 机器学习算法应用 ：Alizadeh等人（2021）使用支持向量机（SVM）、k近邻（KNN）和随机森林（RF）三种机器学习算法对包含老年人故意跌倒和意外跌倒事件的两个传感器数据集进行实验，线性SVM在区分跌倒事件和日常活动中达到93%的准确率。
  • 数据增强与深度学习 ：Sengül等人（2022）采用双三次Hermite插值的数据增强技术和双向长短期记忆（BiLSTM）神经网络来增强跌倒检测。他们的系统通过移动应用从智能手表收集加速度和陀螺仪传感器读数，将数据传输到云端，并使用深度学习算法对行为进行分类。
  • 特征提取架构 ：Wu等人（2021）利用门控循环单元（GRU）架构从移动传感器收集的数据中提取高级特征进行分类。Li等人（2023）提出了时间卷积网络与门控循环单元（TCN - GRU）的组合架构，在从传感器数据生成高级特征进行分类方面表现