《表2 LSTM跌倒检测模型与其他网络模型性能比较》
由表2数据可知,本文提出的LSTM网络在Mobi Act和Sis Fall数据集上都达到了较高的精确度,其中ACC分别为99.68%,99.58%;SEN分别为98.24%,99.27%;SPE分别为99.83%,99.73%。同时,算法时延可以保持在2.2 ms以内(分别为1.221 ms,2.164 ms)。CNN网络和CNN-LSTM网络同样可以在数据集上达到较高的精确度,但它们的时延要大于LSTM。尤其是CNN-LSTM网络,虽然其精确度与LSTM网络相近,但时延远远大于后者(16 ms以上),这在采样频率较高的情况下会影响系统的实时运行。RNN网络的时延要小于LSTM网络,这是因为RNN的结构比LSTM简单,网络内部的参数更少,计算更加快速。但它的精确度相比于其他网络下降了许多,ACC仅为96%左右,SEN甚至降到了91%左右。这说明普通的RNN网络不适合处理较长的时间序列数据。综上所述,本文提出的跌倒检测网络可以更好的平衡精确度和时延两方面的性能。
图表编号 | XD007570500 严禁用于非法目的 |
---|---|
绘制时间 | 2018.12.01 |
作者 | 胡双杰、秦建邦、郭薇 |
绘制单位 | 上海交通大学区域光纤通信网与新型光通信系统国家重点实验室、上海交通大学区域光纤通信网与新型光通信系统国家重点实验室、上海交通大学区域光纤通信网与新型光通信系统国家重点实验室 |
更多格式 | 高清、无水印(增值服务) |