[论文解读] BlockTheFall: Wearable Device-based Fall Detection Framework Powered by Machine Learning and Blockchain for Elderly Care

Bilash Saha, Md. Saiful Islam+4 more|arXiv (Cornell University)|Jun 10, 2023

Context-Aware Activity Recognition Systems被引用 5

一句话总结

本文提出 BlockTheFall，一种基于可穿戴设备的跌倒检测框架，结合机器学习与区块链技术，以提升老年人护理中的检测准确率和数据安全性。通过利用加速度计、陀螺仪和磁力计传感器，系统采用 K-means 聚类算法（实现 93.5% 的平衡准确率）实现实时跌倒检测，同时区块链确保跌倒事件数据的安全、符合 HIPAA 的存储与传输。

ABSTRACT

Falls among the elderly are a major health concern, frequently resulting in serious injuries and a reduced quality of life. In this paper, we propose "BlockTheFall," a wearable device-based fall detection framework which detects falls in real time by using sensor data from wearable devices. To accurately identify patterns and detect falls, the collected sensor data is analyzed using machine learning algorithms. To ensure data integrity and security, the framework stores and verifies fall event data using blockchain technology. The proposed framework aims to provide an efficient and dependable solution for fall detection with improved emergency response, and elderly individuals' overall well-being. Further experiments and evaluations are being carried out to validate the effectiveness and feasibility of the proposed framework, which has shown promising results in distinguishing genuine falls from simulated falls. By providing timely and accurate fall detection and response, this framework has the potential to substantially boost the quality of elderly care.

研究动机与目标

• 利用可穿戴传感器数据开发一种实时、高精度的老年人跌倒检测系统。
• 通过集成区块链技术，解决老年人医疗保健中的数据安全与隐私问题，实现安全存储与访问控制。
• 确保将敏感跌倒警报数据传输给照护者和家属时符合 HIPAA 标准。
• 评估并比较多种机器学习算法（逻辑回归、朴素贝叶斯、神经网络和 K-means 聚类）在跌倒检测任务中的性能。
• 证明一种整体性、可穿戴且基于区块链保护的框架在长期老年人跌倒监测中的可行性与有效性。

提出的方法

• 从佩戴在身体上的可穿戴设备中收集多传感器数据（加速度计、陀螺仪、磁力计），以捕捉各种活动中的运动模式。
• 使用信号滤波和特征提取技术对传感器数据进行预处理，为机器学习模型准备输入。
• 在标记的跌倒与非跌倒事件上训练并评估四种机器学习模型：逻辑回归、朴素贝叶斯、神经网络和 K-means 聚类。
• 实施基于区块链的数据层，以密码学方式存储和验证跌倒事件记录，确保数据完整性和可审计性。
• 设计一种基于许可区块链的可穿戴设备与照护者之间的安全通信协议，仅限授权用户访问。
• 采用三重数据集划分（70%/30%、75%/25%、80%/20%）训练和测试模型，确保结果的稳健性与泛化能力。

实验结果

研究问题

• RQ1 基于可穿戴设备的跌倒检测系统能否利用多传感器数据在区分真实跌倒与非跌倒活动方面实现高准确率？
• RQ2 无监督的 K-means 聚类算法在跌倒检测任务中的表现，与监督学习模型（逻辑回归、朴素贝叶斯、神经网络）相比如何？
• RQ3 区块链技术在多大程度上能够增强老年人跌倒检测系统中的数据安全、完整性与访问控制？
• RQ4 所提出的框架能否支持长期、安全且积极的患者参与跌倒监测？
• RQ5 将机器学习与区块链技术集成，是否适用于实时、可扩展且符合 HIPAA 标准的老年人护理应用？

主要发现

• 在 80%/20% 训练-测试划分下，K-means 聚类实现了最高的平衡准确率 93.497%，优于所有监督模型。
• 在 80%/20% 划分下，逻辑回归的平衡准确率为 83.15%，朴素贝叶斯为 78.72%，神经网络为 90.50%。
• 在 80%/20% 划分下的混淆矩阵显示，K-means 正确分类了 1,308 例跌倒事件中的 1,323 例（召回率 98.86%），仅 15 例为假阴性。
• 相比之下，逻辑回归将 130 个非跌倒事件误判为跌倒，将 100 个跌倒事件误判为非跌倒，表明其精确率与召回率均较低。
• 该框架在区分真实跌倒与模拟或非跌倒活动方面表现优异，K-means 展现出最强健的检测能力。
• 区块链集成成功实现了数据不可篡改性与访问控制，支持将跌倒警报安全、可审计地传输给授权照护者。