關(guān)鍵詞：ResNet18;傳感器時序數(shù)據(jù);公共數(shù)據(jù)集;跌倒檢測;輸入特征

0 引言（Introduction）

據(jù)世界衛(wèi)生組織報告，全球范圍內(nèi)的跌倒事件發(fā)生概率正逐年攀升，特別是在65歲及以上的老年群體中，每年約有28%～35%的人經(jīng)歷過跌倒，而在70歲以上的老年群體中，這一比例更是攀升至32%～42%[1]。跌倒事件不僅常見，而且往往會引發(fā)并發(fā)癥乃至威脅生命。因此，對于跌倒以及日?；顒拥挠行z測和識別是極其必要的。

現(xiàn)有應(yīng)用于跌倒檢測領(lǐng)域的技術(shù)中，相較于基于視頻圖像的技術(shù)[2]和環(huán)境嵌入式傳感器技術(shù)[3]，基于可穿戴傳感器的技術(shù)因具有低成本、應(yīng)用便捷、輕量化、不受環(huán)境限制等優(yōu)勢，而受到學(xué)術(shù)研究、產(chǎn)品研發(fā)等領(lǐng)域的廣泛關(guān)注。

ResNet18[4]作為一種經(jīng)典的輕量級卷積神經(jīng)網(wǎng)絡(luò)（CNN）架構(gòu)，已在圖像分類、缺陷檢測、表情識別等領(lǐng)域得到廣泛應(yīng)用[5-7]。本文著眼于以基于傳感器的公共數(shù)據(jù)集為實驗基準，探索ResNet18在處理傳感器時序數(shù)據(jù)進行跌倒檢測分類任務(wù)中的應(yīng)用潛力。

1 數(shù)據(jù)集選擇（Datasets selection）

當前，已有多個通過智能手機或自主開發(fā)的小型穿戴設(shè)備利用內(nèi)置傳感器獲取人體運動信息的公共數(shù)據(jù)集。數(shù)據(jù)集的開源，使相關(guān)研究者可以以基于傳感器獲取運動數(shù)據(jù)的公共數(shù)據(jù)集為測試工具，不斷在跌倒檢測算法方面提出創(chuàng)新方案?，F(xiàn)對相關(guān)研究進行歸納，結(jié)果見表1。

HASSAN 等[8]介紹了一項用于老年人跌倒檢測的框架———MEFD（a mobile-enabled fall detection ），使用混合深度學(xué)習(xí)模型實現(xiàn)跌倒檢測，在MobiAct公共數(shù)據(jù)集上進行離線訓(xùn)練的結(jié)果表明，MEFD能夠獲得較高的準確性。WANG等[9]提出一種可穿戴傳感器跌倒檢測方法（PTN），構(gòu)建了基于Transformer的神經(jīng)網(wǎng)絡(luò)模型，在SisFall和UniBiM SHAR數(shù)據(jù)集上的實驗結(jié)果顯示，PTN分別獲得99.86%和99.14%的準確率。HE等[10]自主開發(fā)了一款數(shù)據(jù)采集設(shè)備，將采集的原始數(shù)據(jù)映射為RGB圖像，其提出的跌倒檢測卷積神經(jīng)網(wǎng)絡(luò)（FD-CNN）模型在SisFall、MobiAct上進行訓(xùn)練，獲得了98.61%的平均準確率、98.62%的平均靈敏度和99.80%的特異度。ZHANG等[11]應(yīng)用一個卷積神經(jīng)網(wǎng)絡(luò)自動提取加速度傳感器中原始數(shù)據(jù)的特征，將多個時序數(shù)據(jù)視為多視圖一維圖像，提出的框架在UniMiB SHAR數(shù)據(jù)集上的實驗驗證中，獲得91.5%的檢出率。XU等[12]提出一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和長短時記憶的跌倒檢測算法（CNN-LSTM），以低成本三軸加速度計采集的數(shù)據(jù)為基礎(chǔ)，通過計算合加速度作為分析的核心數(shù)據(jù)，在公共數(shù)據(jù)集MobiAct上的實驗驗證中，取得了優(yōu)于支持向量機（SVM）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）的性能表現(xiàn)。QUERALTA等[13]提出一種使用低功耗廣域網(wǎng)（LPWAN）技術(shù)傳輸數(shù)據(jù)，應(yīng)用長短時記憶網(wǎng)絡(luò)（LSTM）和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的跌倒檢測系統(tǒng)，該系統(tǒng)在MobiAct數(shù)據(jù)集上的實驗驗證中，分別取得了95%和90%的平均準確率。在上述研究中，研究人員往往使用公共數(shù)據(jù)集驗證所提出的檢測算法的準確性。

通過分析現(xiàn)有跌倒檢測公共數(shù)據(jù)集的基本特征，并結(jié)合上述研究對公共數(shù)據(jù)集的選擇，本文決定采用MobiAct2.0[14]、SisFall[15]和Cogent Labs[16]公共數(shù)據(jù)集作為試驗研究的基準。3個公共數(shù)據(jù)集的傳感器使用情況和數(shù)據(jù)標簽形式見表2。

2 基于ResNet18的算法模型及其配置（ResNet18-based algorithm model and its configuration）

2.1CNN卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）通過其卷積層、池化層和全連接層的組合形式，能夠自動且有效地從原始數(shù)據(jù)中提取特征。憑借在圖像處理領(lǐng)域取得的卓越表現(xiàn)，CNN目前已在文本分類、模式識別等多個領(lǐng)域的到較好的應(yīng)用。在跌倒檢測領(lǐng)域，盡管數(shù)據(jù)通常以傳感器采集的時間序列形式表示，但是CNN仍展現(xiàn)出極大的應(yīng)用潛力。CNN在基于傳感器采集數(shù)據(jù)的活動分類任務(wù)中的成功應(yīng)用，可以追溯到ZENG等[17]的研究活動，他們基于加速度計數(shù)據(jù)，開發(fā)了一個簡單的CNN模型。在這個模型中，加速度計獲取的每一個軸的數(shù)據(jù)，分別被輸入獨立的卷積層和池化層進行處理，隨后在被隱藏的全連接層進行連接。該模型結(jié)構(gòu)充分說明了CNN處理HAR任務(wù)和時間序列分類任務(wù)的實質(zhì)。

2.2 基于ResNet18的神經(jīng)網(wǎng)絡(luò)架構(gòu)

2.2.1 ResNet18

2015年，殘差結(jié)構(gòu)（Residual Network）憑借其創(chuàng)新性，在ImageNet圖像分類與識別競賽中大放異彩，成功解決了深度神經(jīng)網(wǎng)絡(luò)中的梯度消失問題。ResNet18 由堆疊殘差塊（residual blocks）構(gòu)成，殘差塊能夠人為地讓神經(jīng)網(wǎng)絡(luò)的某些層跳過下一層神經(jīng)元連接，弱化每層之間的強連接。殘差塊的內(nèi)部結(jié)構(gòu)如圖1所示。這種設(shè)計極大地緩解了隨網(wǎng)絡(luò)深度增加而發(fā)生的梯度消失現(xiàn)象。此外，殘差塊內(nèi)的批歸一化層能使模型的訓(xùn)練過程更加穩(wěn)定，加速模型收斂，降低模型對初始權(quán)重設(shè)置的敏感性。本研究選擇ResNet18作為基本架構(gòu)，主要考慮了其結(jié)構(gòu)的簡潔性，相較于ResNet34、ResNet50 和ResNet101等更深層次的結(jié)構(gòu)[4]，它以較少的模型參數(shù)量提供了足夠的模型復(fù)雜度。

2.2.2 基于ResNet18的網(wǎng)絡(luò)模型架構(gòu)

本文搭建的模型正是以經(jīng)典CNN網(wǎng)絡(luò)架構(gòu)ResNet18為基礎(chǔ)，但對傳感器一維時間序列數(shù)據(jù)的輸入進行了微調(diào)。模型包含初始卷積層、歸一化層、池化層和殘差塊（BasicBlock），并在末尾使用一維自適應(yīng)平均池化層而非經(jīng)典的ResNet18二維平均池化，將時序特征轉(zhuǎn)換為固定大小的向量。此外，加入了Dropout，并通過全連接層將提取到的特征映射到類別空間，實現(xiàn)對跌倒的檢測分類。本文使用的模型結(jié)構(gòu)如圖2所示。

針對傳入的特征，動態(tài)調(diào)整輸入數(shù)據(jù)的通道數(shù)，使原本處理二維圖像的模型更符合本研究使用的一維時間序列數(shù)據(jù)。模型第一層卷積使用大小為7的卷積核，步長為2，設(shè)置padding=3，該層從傳感器數(shù)據(jù)中提取初步特征，隨后為歸一化層（BatchNorm），用于規(guī)范卷積層的輸出。此外，使用ReLu 非線性激活函數(shù)，其函數(shù)表達式如公式（1）所示。后續(xù)使用Max pooling，令步長為2，減小特征圖的空間維度。

該模型中包含8個BasicBlock，每個BasicBlock包含兩個卷積層，并且每一個卷積層后均緊接著批歸一化（Bn）和ReLu激活函數(shù)。每個殘差塊的輸入通過跳躍連接加到塊內(nèi)最后一個ReLu激活函數(shù)的輸出前，實現(xiàn)殘差學(xué)習(xí)。殘差塊中使用步長為2的卷積操作對通道數(shù)進行升維，同時使特征長度減半，確保特征圖尺寸與后續(xù)層的輸入相匹配。經(jīng)殘差塊的深入特征提取后，使用一維自適應(yīng)平均池化層將每個通道特征長度降為1，最終使用全連接層將提取到的特征映射到二分類的輸出空間中。

2.2.3 輸入特征

本文使用三軸加速度，以及三軸加速度和三軸角速度的結(jié)合作為不同組別的輸入。此外，無論是傳統(tǒng)閾值法還是機器學(xué)習(xí)方法，三軸加速度向量幅值（SMV）總是被作為活動判別的特征[18]。因此，本文不僅將加速度計和陀螺儀獲取的原始數(shù)據(jù)作為輸入，還納入SMV，共設(shè)置了如下3個組別的輸入特征。①三軸加速度向量幅值（SMV_acc）;②三軸加速度數(shù)據(jù)（acc）;③三軸加速度數(shù)據(jù)與三軸角速度數(shù)據(jù)（acc+gyro）。其中，SMV_acc 由加速度傳感器獲取的原始數(shù)據(jù)計算得到，其公式如下：

其中：Axi 、Ayi 、Azi 分別為樣本i 的三軸加速度計在x、y、z 方向的分量。

輸入特征②和③均可以由公式（3）表示。但是，針對本文采用的MobiAct2.0、SisFall、Cogent Labs公共數(shù)據(jù)集，設(shè)置的每一個特征組中的N 值有所差異，這主要是由于3個數(shù)據(jù)集使用傳感器數(shù)量不同而引起的。

3 實驗過程與參數(shù)設(shè)定（Experimental procedureand parameter setting）

3.1 數(shù)據(jù)預(yù)處理

（1）濾波去噪。本文選取的數(shù)據(jù)集具有不同的采樣率，在探究窗口長度對分類器性能的影響時，針對不同的數(shù)據(jù)集使用截止頻率為5 Hz的三階Butterworth低通濾波器進行濾波去噪時，需為不同的數(shù)據(jù)集設(shè)置與其相符的原始采樣率。

（2）Min-Max歸一化。濾波去噪后的數(shù)據(jù)需要做歸一化處理，目的是去除不同類型傳感器量綱對于數(shù)據(jù)處理的影響。本文聚焦的基于傳感器的時序數(shù)據(jù)采用Min-Max歸一化處理，將歸一化后的數(shù)據(jù)映射至[0，1]的范圍內(nèi)，具體如公式（4）所示。

（3）動作類別標簽轉(zhuǎn)換。本文依據(jù)跌倒檢測二分類的任務(wù)性質(zhì)將近似跌倒視為ADL事件，對選取的3個公共數(shù)據(jù)集原有的標簽進行轉(zhuǎn)換，僅做類區(qū)分，均使用數(shù)字編碼標簽0和1分別表示樣本為日常生活活動（0）或跌倒事件（1）。

（4）滑動窗口分割。為探究滑動窗口長度對CNN在基于傳感器時序數(shù)據(jù)的跌倒檢測中分類性能的影響，采用滑動窗口的分割方式，設(shè)置了5種不同的滑動窗口長度，分別為1 s、2 s、4 s、6 s和8 s，并設(shè)置滑動窗口操作的窗口重疊為50%，規(guī)定當分割出的窗口樣本中某一類標簽的占比只有達100%時，才能將其納入之后的處理，確保樣本數(shù)據(jù)與窗口標簽之間真實對應(yīng)。

3.2 評價指標

本文設(shè)定編碼標簽為0，表示該樣本為負樣本，實際對應(yīng)ADL事件（非跌倒）;編碼標簽為1，表示該樣本為正樣本，實際對應(yīng)Fall事件（跌倒）?；谏鲜鲠屃x，TP、TN、FP和FN的含義見表3。

3.3 模型訓(xùn)練和驗證

實驗在Pytorch框架下搭建了CNN模型，訓(xùn)練環(huán)境基于Windows11-64位操作系統(tǒng)，計算機處理器為Intel（R） Core（TM） i7-13700KF，顯卡為NVIDIA GeForce RTX4060Ti，機帶RAM16 GB（4 400 MHz）內(nèi)存，代碼開發(fā)環(huán)境為PycharmProfessional2022，使用的Python版本為Python 3.11。

對預(yù)處理后的數(shù)據(jù)集進行劃分：80%作為訓(xùn)練集，20%為驗證集。使用NAdam 優(yōu)化器，初始學(xué)習(xí)率為0.000 1，加入Dropout以提升模型泛化能力。批處理大?。╞atch size）為64。使用nn.BCEWithLogitsLoss損失函數(shù)，其表達式如下：

其中：xi 是模型輸出的未經(jīng)sigmoid激活的原始輸出，σ（xi）是將xi 通過sigmoid函數(shù)轉(zhuǎn)換后的值，yi 為樣本實際標簽，N 為樣本總數(shù)。

在探究各個數(shù)據(jù)集上最優(yōu)滑動窗口長度的實驗中，還設(shè)置了早停機制（Early Stopping），該機制規(guī)定，如果模型在連續(xù)5輪迭代中于驗證集上的性能未能出現(xiàn)顯著提升，則訓(xùn)練過程將自動終止。

4 實驗結(jié)果與分析（Experimental results and analyses）

4.1 滑動窗口長度對分類性能的影響

考慮到加速度計是絕大多數(shù)公開數(shù)據(jù)集中用于捕捉人體活動數(shù)據(jù)的標配傳感器，并且為了避免引入不必要的計算負擔(dān)，本文在探究時間窗口長度對分類性能的影響時，僅將獲取自加速度計的原始三軸加速度數(shù)據(jù)作為輸入進行訓(xùn)練和驗證。對于各數(shù)據(jù)集，5種不同窗口長度（1 s、2 s、4 s、6 s、8 s）均在不改變模型參數(shù)的基礎(chǔ)上進行10次訓(xùn)練和驗證。

從圖3中可以看出，隨著時間窗口長度的增加，3個數(shù)據(jù)集的準確度均呈上升趨勢，但當窗口長度增加至6 s或8 s時，模型的準確度增幅并不明顯，這一點在MobiAct2.0和CogentLabs數(shù)據(jù)集上表現(xiàn)得尤為突出。以上結(jié)果表明，較長的滑動窗口長度設(shè)置能夠使模型獲得更高的準確率，一旦窗口長度的設(shè)置超過最優(yōu)窗口長度，模型的準確率提升并不明顯，在實際應(yīng)用中甚至?xí)黾幽Ｐ偷挠嬎阖摵?。此外，對于跌倒檢測任務(wù)，靈敏度指標是評估模型能否有效識別跌倒事件的關(guān)鍵。通過對3個公共數(shù)據(jù)在不同滑動時間窗口大小下的靈敏度進行分析發(fā)現(xiàn)，隨滑動窗口長度的增加，模型對于跌倒事件識別的靈敏度逐漸升高。對于特異度指標，MobiAct2.0和Cogent Labs公共數(shù)據(jù)集在5種不同的窗口長度設(shè)置下，均有較好的表現(xiàn)，但SisFall數(shù)據(jù)集對于ADL的識別相較于前2個數(shù)據(jù)集，表現(xiàn)較差。

此外，為了確定每個數(shù)據(jù)集最合適的滑動窗口長度，本研究綜合考慮了準確率、靈敏度及特異度這3項關(guān)鍵指標。表4詳細列出了MobiAct2.0、SisFall、Cogent Labs公共數(shù)據(jù)集在不同窗口長度下的各項評價指標結(jié)果。

對于MobiAct2.0數(shù)據(jù)集，滑動窗口長度從4 s開始，準確度、靈敏度和特異度均達到1.00且標準差為0，但這一結(jié)果是由于在該長度下，MobiAct2.0中的跌倒事件樣本無法被有效分割所導(dǎo)致的，因此這一長度在實際跌倒檢測應(yīng)用中并不可行。對于SisFall數(shù)據(jù)集，模型在不同滑動窗口長度下的各評價指標的標準差值較大，這可能是由于所獲取的數(shù)據(jù)集是經(jīng)過少數(shù)類樣本過采樣的前置處理造成的，這對模型進行自動特征提取造成極大的干擾。在真實跌倒檢測應(yīng)用場景中，研究者更希望模型對于跌倒事件檢測具有較高的準確率，并減少對跌倒的誤報。同時，在保證模型整體準確率的基礎(chǔ)上，研究者希望能規(guī)避額外的計算消耗。綜合上述原則，并結(jié)合表5中的結(jié)果，為MobiAct2.0數(shù)據(jù)集選擇2.56 s的滑動窗口長度，為SisFall數(shù)據(jù)集選擇6 s的滑動窗口長度，為Cogent Labs設(shè)置6 s的滑動窗口長度。

4.2 輸入特征對分類性能的影響

本文基于為3個數(shù)據(jù)集選擇的最優(yōu)滑動窗口長度，進一步探索不同輸入特征對模型分類性能的影響，設(shè)置的3個組別輸入特征已在2.2.2小節(jié)中詳細描述。模型在每個數(shù)據(jù)集上采用10折交叉驗證，旨在減少模型評估過程中的偶然性。每次實驗的迭代次數(shù)為200。表5統(tǒng)計了模型在3個數(shù)據(jù)集上以不同的輸入特征進行訓(xùn)練和驗證的評價指標結(jié)果。

由表5中的評價指標可知，對于MobiAct2.0數(shù)據(jù)集在輸入特征為SMV_acc 或acc 時，模型取得了較高的準確率，均達到99.9%，而在這兩種輸入特征下，模型靈敏度僅達75%，再結(jié)合100%的特異性來看，反映出模型雖然能高效地識別ADL 活動，但是模型對實際跌倒的識別能力存在不足。這可能是由于ResNet18模型更加擬合MobiAct2.0數(shù)據(jù)集中ADL事件的數(shù)據(jù)特征所致。相較之下，使用三軸加速度數(shù)據(jù)與三軸角速度數(shù)據(jù)的結(jié)合作為輸入，盡管準確率略有下降，特異度仍保持在100%，但靈敏度大幅降低至62.5%，反映出陀螺儀數(shù)據(jù)的加入在一定程度上增加了模型對跌倒事件解釋的復(fù)雜度，從而影響了識別跌倒事件的準確性。這與BOUTELLAA等[19]的研究結(jié)果具有相似性，即陀螺儀數(shù)據(jù)的加入可能會引入噪聲，反而會影響模型對反映跌倒事件特征的提取，并且會增加計算負荷。

為直觀地展示模型的分類性能，繪制了本文采用的3個數(shù)據(jù)集使用不同輸入特征進行實驗的混淆矩陣（圖4）。

通過分析混淆矩陣，我們可以得出結(jié)論：當使用SMV_acc作為輸入特征時，模型在MobiAct2.0數(shù)據(jù)集上的表現(xiàn)最佳，這是由于SMV_acc 作為表征合加速度振幅的指標，本能夠直觀地反映活動的強度。模型通過對活動強度特征的捕捉，對跌倒事件和ADL事件加以準確的區(qū)分。

與模型在MobiAct2.0數(shù)據(jù)集上使用不同輸入特征的性能結(jié)果不同，模型在SisFall數(shù)據(jù)集上，以acc+gyro 作為輸入時，取得了最高的準確率，即99.7%，同時靈敏度高達100%，特異度達99.4%;而以SMV_acc 作為輸入時，MobiAct2.0數(shù)據(jù)集得到的靈敏度達96.5%，準確率和特異度分別為97.4% 和98.3%，這可能是由于SisFall數(shù)據(jù)集中跌倒樣本的數(shù)量足夠多，模型能夠?qū)W習(xí)到跌倒事件的更多特征。使用acc 作為輸入時，模型在SisFall數(shù)據(jù)集上的準確率和靈敏度指標均有所降低，分別為93.1%和88.4%。綜合3種組別的輸入特征來看，在數(shù)據(jù)集包含復(fù)雜跌倒模式時，多傳感器數(shù)據(jù)的融合能夠增強模型的檢測性能。對于本文使用的SisFall數(shù)據(jù)集，以三軸加速度數(shù)據(jù)與三軸角速度數(shù)據(jù)的結(jié)合作為輸入特征時，模型具有更優(yōu)異的表現(xiàn)，不僅體現(xiàn)在最高的準確率方面，還體現(xiàn)在跌倒事件近乎為0的漏報率，但在該輸入特征組別下，模型將ADL事件識別成跌倒的概率較前兩種輸入特征高，在實際應(yīng)用場景中，理想的跌倒檢測系統(tǒng)應(yīng)同時具備極低的漏報率和誤報率。因此，在未來的跌倒檢測研究中，應(yīng)聚焦于在使模型具有較高準確率的同時，降低模型的漏報率和誤報率。

在Cogent Labs數(shù)據(jù)集上，以SMV_acc 作為輸入時，模型的準確率幾乎與另外兩個組別的輸入特征相同，但模型的靈敏度更低，僅有66.7%;而以acc+gyro 結(jié)合作為輸入或acc 作為輸入時，模型均取得75%的靈敏度，表明模型在該數(shù)據(jù)集的條件下，加入陀螺儀數(shù)據(jù)并不會相較于僅使用加速度計數(shù)據(jù)獲得靈敏度的提升。

綜合本實驗的結(jié)果表明，在SisFall數(shù)據(jù)集上，多傳感器的結(jié)合展現(xiàn)出一定的優(yōu)勢。然而，在MobiAct2.0和Cogent Labs 數(shù)據(jù)集上，結(jié)果卻呈現(xiàn)更復(fù)雜的態(tài)勢。這表明，未來相關(guān)研究應(yīng)探索更優(yōu)的數(shù)據(jù)融合和特征提取策略，以期進一步提升跌倒檢測技術(shù)的準確率和靈敏度。

4.3 模型跨數(shù)據(jù)集泛化能力評估

為評估ResNet18模型在不同數(shù)據(jù)集上的泛化能力，本小節(jié)設(shè)計實驗使用的3個數(shù)據(jù)集中，其中兩個結(jié)合為訓(xùn)練集數(shù)據(jù)，另外一個作為驗證集數(shù)據(jù)，確保3個數(shù)據(jù)集中每一個數(shù)據(jù)集僅有一次作為驗證集。根據(jù)3個數(shù)據(jù)集中傳感器的使用和配置位置，本文在跨數(shù)據(jù)集泛化能力評估部分，針對3個數(shù)據(jù)集均選擇靠近軀干的加速度傳感器的3個軸的原始數(shù)據(jù)為輸入特征。對任一數(shù)據(jù)集作為驗證集設(shè)置迭代次數(shù)為100個epoch，其他實驗參數(shù)與前文一致。為確保結(jié)果的穩(wěn)定性和可靠性，對各項評價指標求取10次重復(fù)實驗的平均結(jié)果，結(jié)果見表6。

表6中的結(jié)果表明，模型以MobiAct2.0和SisFall作為訓(xùn)練數(shù)據(jù)集、以Cogent Labs作為驗證數(shù)據(jù)集時的表現(xiàn)最佳，其準確度達94.2%，并且獲得95.1%的特異度，但靈敏度指標結(jié)果較差，僅取得3.83%，反映出模型在該條件下對跌倒事件識別的敏感性差，這可能是由于MobiAct2.0和SisFall數(shù)據(jù)集中跌倒模式的復(fù)雜度很高，模型難以概括復(fù)雜跌倒模式中的細節(jié)特征。即未來使用MobiAct2.0或SisFall數(shù)據(jù)集進行跌倒檢測時，需考慮構(gòu)建更加復(fù)雜的模型或使用更好的數(shù)據(jù)融合策略來捕捉復(fù)雜跌倒模式的數(shù)據(jù)特征。相反，使用SisFall和CogentLas數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)，在MobiAct2.0數(shù)據(jù)集上進行驗證時，模型對跌倒事件識別的敏感度相較其他兩個組合均有大幅提升，達42.7%的靈敏度，但這個數(shù)據(jù)在未來的實際應(yīng)用中仍不夠理想?？鐢?shù)據(jù)集泛化能力的總體結(jié)果揭示了ResNet18在復(fù)雜跌倒模式下進行跌倒檢測時泛化能力的不足。

5 結(jié)論（Conclusion）

本文以公共數(shù)據(jù)集MobiAct2.0、SisFall和Cogent Labs為實驗研究的基準，系統(tǒng)地評估了基于ResNet18的網(wǎng)絡(luò)架構(gòu)用于傳感器時序數(shù)據(jù)公共數(shù)據(jù)集上跌倒事件檢測的性能。實驗結(jié)果顯示：為MobiAct2.0選擇2.56 s的滑動窗口長度，為SisFall選擇6 s的滑動窗口長度，為Cogent Labs選擇6 s的滑動窗口長度時，模型效果最優(yōu)，增大窗口長度，模型性能無明顯提升，并且會引入額外的計算負荷。以SMV_acc 作為輸入，模型在MobiAct2.0數(shù)據(jù)集上的表現(xiàn)最佳，陀螺儀數(shù)據(jù)的引入反而使模型對跌倒事件識別的靈敏度降低;SisFall以acc+gyro作為輸入時，模型具有最優(yōu)的準確率和最低的漏報率;而在Cogent Labs數(shù)據(jù)集上使用acc 或acc+gyro 作為輸入時，模型的準確率和靈敏度并無明顯差異，但以這兩種組別作為輸入時，靈敏度均優(yōu)于使用SMV_acc。模型跨數(shù)據(jù)集泛化能力評估結(jié)果顯示，模型處理不同來源或具有不同特性的數(shù)據(jù)時，需針對特定情況進行優(yōu)化，以提升其在實際應(yīng)用中的準確性和可靠性。綜上，ResNet18雖然在基于傳感器時序數(shù)據(jù)的跌倒檢測任務(wù)中具有良好的應(yīng)用潛力，但是未來仍需要探索研究均衡復(fù)雜度、識別準確率和計算效率的算法模型，并且需著重考慮模型對真實跌倒事件識別的敏感性，確保模型在實際生活場景中應(yīng)用的可能性和可靠性。