arXiv · Neurons and Cognition· Wenjun Xia, Zhicheng Peng, Haopeng Li 等 4 人
· 3 天前
面向低功耗边缘平台的基于视觉的实时跌倒检测
Real-time fall detection based on vision for low-power edge platforms
预印本 · 尚未经过同行评审
AI 导读
提出物理信息跌倒检测框架,用双LTC子系统建模支撑系统失稳,参数量低于50K,可在边缘设备实时推理。
摘要 · AI 翻译
跌倒检测对养老护理与智能监控至关重要;然而,现有基于视觉的方法大多将其框定为静态姿态分类或离散时间模式匹配,从根本上忽视了人体支撑系统的不稳定性动力学。本文提出一种物理信息驱动的跌倒检测框架,将跌倒重新表述为耦合动力系统中的失稳事件。我们引入一种新颖的双 LTC 架构,由质心(CoM)子系统和支撑基(BoS)子系统组成,二者均实例化为液体时间常数(LTC)神经网络,通过自适应时间常数持续建模惯性轨迹演化与地面接触调整,从而赋予跌倒运动以物理可解释性。一个可学习的耦合模块模拟两个子系统之间的物理交互,而稳定性流形分类器在联合潜空间中运行,通过受 Lyapunov 启发的稳定性度量检测边界穿越。互补的反事实轨迹投影与碰撞时间(TTC)估计进一步实现不可逆性评估与早期预警。该架构旨在支持三状态预测范式(正常、跌倒中、已跌倒);在本初步研究中,我们在二分类数据集(正常 vs. 跌倒)上验证核心稳定性判别能力,将完整的三状态时间过渡留待未来工作。与传统 CNN--RNN 流水线不同,所提出的表述编码了连续时间机械惯性,产生了一个参数量低于 50K、能够在资源受限的边缘设备上实时推理的网络。大量实验表明其具有有竞争力的准确率与更优的物理可解释性,验证了其在低算力视觉跌倒检测中的有效性。
中文由 AI 翻译,仅供参考,以原文为准。
来源:arXiv · Neurons and Cognition · arxiv.org