マルチヘッド注意機構とファocal損失を備えたリアルタイムの高齢者転倒検知のためのマルチモーダルCNN-LSTMフレームワーク

要旨: 急速に進行する世界的な高齢化により、特に高齢者の転倒といった重大な出来事を検出できる信頼性の高いヘルスモニタリングシステムへの需要が高まっています。単一モダリティの加速度データに依存する従来の転倒検出手法は誤警報率が高いという課題があり、一方で従来型の機械学習手法では広範な手作り特徴量エンジニアリングが必要です。本論文では、ウェアラブルセンサを用いたリアルタイムの高齢者転倒検出のための新規なマルチモーダル深層学習フレームワークであるMultiModalFallDetectorを提案します。提案手法は、複数の革新を統合しています。すなわち、異なる時間解像度で運動ダイナミクスを捉えるマルチスケールCNNベースの特徴抽出器、三軸加速度計、ジャイロスコープ、および4チャンネルの生理信号の融合、多頭自己注意機構による動的な時系列重み付け、重度のクラス不均衡を緩和するためのFocal Loss、正則化のための補助的な活動分類タスクの導入、そしてUCI HARからSisFallデータセットへの転移学習の適用です。60〜85歳の高齢参加者による現実の模擬転倒試行を含むSisFallデータセットに対する大規模な実験の結果、提案フレームワークはF1スコア98.7、Recall 98.9、AUC-ROC 99.4を達成し、従来の機械学習および標準的な深層学習アプローチを含むベースライン手法を大きく上回りました。また、モデルはエッジデバイス上で50ms未満の推論遅延を維持しており、老年医療におけるリアルタイム導入に適していることが確認されます。