[论文解读] A Mobile Cloud Collaboration Fall Detection System Based on Ensemble Learning

Tong Wu, Yang Gu+3 more|arXiv (Cornell University)|Jul 5, 2019

Context-Aware Activity Recognition Systems参考文献 23被引用 5

一句话总结

本文提出了一种基于集成学习方法——跌倒检测集成决策树（FEDT）的移动云协作跌倒检测系统，通过结合轻量级移动端过滤与基于云的特征提取及模型推理，提升了检测精度。该系统在现有方法基础上实现了1-3%的灵敏度与特异性提升，展现出可靠的现实世界性能。

ABSTRACT

Falls are one of the important causes of accidental or unintentional injury death worldwide. Therefore, this paper presents a reliable fall detection algorithm and a mobile cloud collaboration system for fall detection. The algorithm is an ensemble learning method based on decision tree, named Falldetection Ensemble Decision Tree (FEDT). The mobile cloud collaboration system can be divided into three stages: 1) mobile stage: use a light-weighted threshold method to filter out the activities of daily livings (ADLs), 2) collaboration stage: transmit data to cloud and meanwhile extract features in the cloud, 3) cloud stage: deploy the model trained by FEDT to give the final detection result with the extracted features. Experiments show that the performance of the proposed FEDT outperforms the others' over 1-3% both on sensitivity and specificity, and more importantly, the system can provide reliable fall detection in practical scenario.

研究动机与目标

• 为老年人护理与医疗监测中的可靠、实时跌倒检测提供关键解决方案。
• 通过智能数据过滤与分类，减少日常生活活动（ADLs）带来的误报。
• 通过优化特征提取与模型部署的集成学习方法，提升检测性能。
• 通过移动-云协作架构实现实际部署，平衡计算负载与检测精度。

提出的方法

• 该系统采用三阶段移动-云协作流程：移动端过滤、云端特征提取与基于云的模型推理。
• 在移动设备上采用轻量级阈值方法，过滤掉非跌倒活动（ADLs），以减少不必要的数据传输。
• 在云端，利用针对加速度计与陀螺仪数据定制的信号处理技术，从过滤后的数据中提取特征。
• 使用集成学习方法，在提取的特征上训练跌倒检测集成决策树（FEDT）模型，以提升鲁棒性与准确性。
• FEDT通过加权投票结合多个决策树，降低过拟合风险，并提升对多样化跌倒模式的泛化能力。
• 最终的检测决策在云端通过已训练的FEDT模型完成，确保在实时场景中具备高可靠性与低延迟。

实验结果

研究问题

• RQ1 移动-云协作架构是否能在最小化日常活动引起的误报的同时，提升跌倒检测精度？
• RQ2 与单模型方法相比，基于决策树的集成学习在多大程度上提升了跌倒检测性能？
• RQ3 轻量级移动端过滤在多大程度上可减少数据传输与计算负载，同时不损害检测灵敏度？
• RQ4 与现有方法相比，该系统在现实世界中的灵敏度与特异性表现如何？
• RQ5 在实际部署中，该系统能否在多样化跌倒模式与用户行为下保持高可靠性？

主要发现

• FEDT模型在灵敏度与特异性方面均比现有方法高出1-3%，展现出更优的检测精度。
• 移动-云协作架构通过在设备端过滤非跌倒ADLs，有效减少了数据传输量。
• 系统在现实世界场景中保持了高可靠性，表明其在老年人护理与健康监测中具有强大的实际应用潜力。
• 云端特征提取使比仅在移动设备上可能的分析更加复杂。
• FEDT中的集成学习方法降低了过拟合风险，并提升了对多样化跌倒模式的泛化能力。
• 该系统在计算效率与检测性能之间实现了良好平衡，适用于实时部署。