طراحی سخت افزار/نرم افزار از ویژگی های Fractal ویژگی های مبتنی بر سیستم تشخیص پاییز

  • 2021-09-30

مجوز MDPI ، بازل ، سوئیس. این مقاله یک مقاله دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC توسط) توزیع شده است (http://creativeecommons. org/licenses/by/4. 0/).

چکیده

سقوط یک عامل اصلی مرگ در بزرگسالان مسن است و منجر به میزان بالای مرگ و میر ، عوارض و بی تحرک می شود. سیستم های تشخیص پاییز (FDS) برای کمک های پزشکی به موقع ضروری است و شناخته شده است که میزان مرگ و میر 80 ٪ را کاهش می دهد. ما یک سنسور پوشیدنی جدید FDS را پیشنهاد می کنیم که از دینامیک فراکتال سیگنال های شتاب سنج پاییز بهره برداری می کند. دینامیک فراکتال می تواند به عنوان یک اندازه گیری بی نظمی از سیگنال ها مورد استفاده قرار گیرد و کار ما نشان می دهد که این یک تبعیض اساسی برای طبقه بندی سقوط از سایر فعالیت های زندگی است. ما یک شتاب دهنده ویژگی سخت افزاری را برای محاسبه ویژگی های فراکتال از طریق تبدیل موج چند سطحی بر روی یک سیستم تعبیه شده قابل تنظیم در دستگاه تراشه ، دستگاه Zynq برای ارزیابی سنسورهای شتاب سنج پوشیدنی طراحی ، پیاده سازی و ارزیابی می کنیم. FDS پیشنهادی از یک رویکرد هماهنگ سخت افزار/نرم افزار با شتاب دهنده سخت افزار برای ویژگی های فراکتال و اجرای نرم افزار تجزیه و تحلیل تبعیض آمیز خطی در هسته بازوی تعبیه شده برای دقت بالا و بهره وری انرژی استفاده می کند. سیستم پیشنهادی به دقت تشخیص پاییز 99. 38 ٪ ، سرعت 7. 3 × سرعت و 6. 53 in در مصرف برق دست می یابد ، در مقایسه با اجرای نرم افزار تنها با عملکرد کلی در هر وات از 47. 6. ، در حالی که از منابع کم تنظیم مجدد در 28. 67 ٪ استفاده می کند.

واژه‌های کلیدی: تشخیص پاییز ، سنسورهای پوشیدنی ، طبقه بندی ، یادگیری ماشین ، ویژگی های فراکتال ، طراحی نرم افزار سخت افزاری ، طراحی FPGA ، طراحی قابل تنظیم ، سیستم تعبیه شده در تراشه

1. مقدمه

سقوط بالاترین علت مرگ و میر ناشی از آسیب در افراد بالای 65 سال است که منجر به مرگ و میر، عوارض و بی حرکتی بالا می شود [1]. آبشار هزینه بالایی را برای خدمات بهداشت ملی (NHS) به همراه دارد و هزینه های مربوط به آن بیش از 2 میلیارد پوند و 4 میلیون روز تخت در سال است [1]. سیستم‌های تشخیص سقوط (FDS) برای افرادی که تنها زندگی می‌کنند و ممکن است نتوانند به دلیل آسیب دیدگی یا بی‌هوشی به کمک فوری پزشکی مراجعه کنند، کمک و پشتیبانی می‌کند. علاوه بر این، گزارش شده است که سیستم‌های تشخیص سقوط با ارائه کمک‌های پزشکی فوری در تشخیص رویداد سقوط، 26% و 80% بهبودهایی را برای میزان بستری شدن و مرگ و میر در بیمارستان به دست آورده‌اند [2]. FDS سقوط از سایر حرکات بدن انسان ناشی از فعالیت های زندگی روزانه (ADL) را شناسایی و طبقه بندی می کند.

حرکات بدن انسان نتیجه فعل و انفعالات غیرخطی پیچیده بین مدارهای ستون فقرات به جلو و مکانیسم های بازخورد از عضلات، پوست و حواس مختلف است [3]. این یک سیستم دینامیکی غیر خطی است که می توان آن را به عنوان یک سیستم هرج و مرج مدل کرد و با تئوری آشوب و دینامیک فراکتال تحلیل کرد. در حالی که کار حاضر در سیستم های دینامیکی غیر خطی بدن انسان را به عنوان یک سیستم آشفته درک می کند و به فعالیت راه رفتن و تجزیه و تحلیل راه رفتن محدود می شود. شکاف قابل توجهی در درک دینامیک غیر خطی سقوط از طریق تجزیه و تحلیل فراکتال سیگنال های شتاب سنج برای سقوط و ADL وجود دارد.

فراکتال ها ساختارهای خود مشابهی هستند که کل شبیه به اجزای آن است. خود شباهت در ساختارها یا الگوها می تواند تقریبی و محدود به یک یا چند قسمت باشد. خود شباهت می تواند ماهیت آماری نیز داشته باشد. بسیاری از اشیاء دنیای واقعی در جایی که ویژگی های آماری در مقیاس های مختلف مشابه هستند، خود شباهت آماری را نشان می دهند. خود شباهت آماری ممکن است در سیگنال های زمانی متفاوت ظاهر شود. با این حال، سیگنال های حسگر نیازی به ماهیت واقعی فراکتال ندارند. بر اساس مندلبروت [4] بعد فراکتال با بی نظمی سیگنال همبستگی مثبت دارد و می تواند به عنوان معیاری برای بی نظمی سیگنال استفاده شود. کار ما ابتدا تعیین می کند که آیا چنین اندازه گیری بی نظمی سیگنال یک ویژگی متمایز برای طبقه بندی سقوط از ADL است یا خیر. در حالی که بسیاری از روش‌های تحلیل فراکتالی در ادبیات ارائه شده‌اند، کار ما از میانگین متحرک یکپارچه کسری خودرگرسیون (ARFIMA) برای تجزیه و تحلیل فراکتال استفاده می‌کند، زیرا این تکنیک مزیت حل مشکل تخمین بیش‌ازحد مغرضانه و خطاهای بالاتر پارامترهای فراکتالی را برای فرآیندهای پیچیده دارد [5]., 6]، مانند حرکات و فعالیت های انسان. ARFIMA با سیگنال های ثابت کار می کند و سیگنال های غیر ثابت را می توان با تبدیل اولیه به سیگنال های ثابت با ARFIMA تجزیه و تحلیل کرد [7]. هنگامی که سیگنال به سیگنال ثابت تبدیل شد، ARFIMA اعمال می شود و پارامترهای فراکتال محاسبه می شوند. سپس پارامترهای فراکتال برای سیگنال غیر ثابت اصلی از طریق تبدیل از پارامترهای سیگنال ثابت تعیین می شوند [7]. بنابراین، آزمایش ثابت بودن برای چنین رویکردی ضروری است. برای تست ایستایی، سیگنال‌های سقوط و ADL با تست‌های دیکی-فولر تقویت شده (ADF) و Kwiatkowski-Phillips-Schmidt-Shin (KPSS) در بخش 4. 2 برای درمان دقیق برای درک ویژگی‌های ایستایی و ارائه شواهد تجربی از عدم ایستایی تجزیه و تحلیل می‌شوند. برای سیگنال های غیر ثابت، یافتن ترتیب تفاوت برای تبدیل به سیگنال ثابت مهم است. مدل سازی ARFIMA در بخش 4. 3. 1 با استفاده از مجموعه داده سقوط عمومی توسط Kwolek و همکاران انجام شده است.[8] در بخش 3 مورد بحث قرار گرفت. مدل‌سازی ARFIMA در بخش 4. 3. 1 نشان می‌دهد که پارامترهای فراکتالی ویژگی‌های متمایز مفیدی برای طبقه‌بندی سقوط‌ها هستند، تا آنجا که ما می‌دانیم، پارامترهای فراکتالی برای طبقه‌بندی سقوط‌ها از ADL استفاده نشده‌اند. در حالی که، ARFIMA تجزیه و تحلیل قوی ارائه می دهد، نیاز به توسعه مدل های ARFIMA و بازرسی دقیق از خوبی توابع تناسب برای تعیین دینامیک فراکتال دارد.

که برای رویدادهای طبقه بندی بلادرنگ مناسب نیست. رابطه تبدیل موجک گسسته (DWT) با محاسبات فراکتال [9،10] برای پیاده سازی بلادرنگ بر روی یک دستگاه پوشیدنی تعبیه شده برای تشخیص سقوط استفاده می شود.

طراحی قابل تنظیم سخت افزار یک سیستم تشخیص پاییز می تواند محدودیت های طراحی عملکرد بالا در هر وات را برآورده کند تا اجرای زمان واقعی را با الگوریتم های محاسباتی فشرده برای نیازهای دقت بالاتر امکان پذیر کند. FPGA های چندگانه تعبیه شده یک بستر مناسب برای پیاده سازی سخت افزار و شتاب سیستم های هوشمند/مدل های یادگیری ماشین در دستگاه های تعبیه شده و عملکرد مناسب نسبت به انرژی است [11،12]. یک عملیات پایدار در زمان واقعی نیاز به مصرف انرژی کم و توان بالا با عملکرد بالا در هر وات برای تبدیل موج چند سطحی و فرآیند استخراج ویژگی های فراکتال برای FDS دارد. توان بالا و تأخیر کم به دست آمده با طراحی قابل تنظیم می تواند مقیاس پذیری سیستم را برای چندین سنسور چند کاناله با بودجه کم برق فراهم کند. یکی از مهمترین سهم کار ما ، طراحی شتاب دهنده قابل تنظیم است که از DWT چند سطح برای محاسبات فراکتال در زمان واقعی استفاده می کند که مستقیماً روی سیگنال های غیر ثابت انجام می شود ، زیرا روش Arfima برای اجرای تأخیر کم تعبیه شده امکان پذیر نیست. ما از یک طراحی سخت افزار/نرم افزار از یک سیستم تشخیص پاییز استفاده می کنیم تا محدودیت های طراحی عملکرد بالا در هر وات را برآورده کنیم تا اجرای زمان واقعی قطعات محاسباتی فشرده الگوریتم را انجام دهیم. شتاب دهنده سخت افزار برای ویژگی های DWT و فراکتال چند سطحی از نوآوری ها و بهینه سازی های مختلف طراحی استفاده می کند. درختان حسابی خط لوله برای عملیات حلقوی و محاسبات واریانس استفاده می شوند. بهینه سازی سیستم حافظه برای تأمین توان لازم برای درختان حسابی از طریق بلوک های حافظه دو پورت چرخه ای انجام می شود. با استفاده از محاسبات جایگزین و ذخیره ضرایب فیلتر به شکل تلنگر ، DWT Convolution و عملیات پایین آمدن متعاقب آن به یک عملیات واحد بهینه می شوند. تعداد بهینه سازی های طراحی هوشمندانه و نتایج آنها به ترتیب در بخش 7. 1 و بخش 8 مورد بحث قرار گرفته است. ابعاد فراکتال به همراه ضرایب پاس پایین DWT به دست آمده به عنوان محصول جانبی محاسبات فراکتال از شتاب دهنده سخت افزار به عنوان ویژگی ها به هسته بازوی تعبیه شده برای طبقه بندی یادگیری ماشین منتقل می شوند. سپس یک طبقه بندی کننده تجزیه و تحلیل تبعیض آمیز خطی (LDA) برای طبقه بندی Falls در یک هسته بازوی تعبیه شده در دستگاه SOC به ویژگی تنظیم شده است. ما نشان می دهیم که با ویژگی های فراکتال و ضرایب DWT ، طبقه بندی Falls از ADL دقت بالایی از 99. 38 ٪ ، یک توان بالا ،

مصرف کم مصرف و عملکرد بالا در هر وات برای یک سیستم طراحی شده سخت افزار/نرم افزار. مشارکتهای اصلی کار ما به شرح زیر است:

تجزیه و تحلیل فراکتال انجام شده برای کشف بی نظمی شتاب سنج برای سیگنال های پاییز/ADL ثابت و غیر ثابت.

ویژگی های فراکتال به عنوان معیار بی نظمی سیگنال برای تشخیص پاییز و طبقه بندی برای اولین بار ، به بهترین دانش ما استفاده می شود.

شتاب دهنده سخت افزار کارآمد انرژی برای توان بالا و استفاده مجدد از بلوک های محاسباتی برای فرآیند استخراج ویژگی.

ویژگی های چند سطحی DWT و Fractal نوآوری ها و بهینه سازی های طراحی هوشمندانه ، از جمله درختان حسابی خط لوله برای محاسبات فراکتال ، بهینه سازی حافظه دو پورت چرخه ای ، حل و فصل و بهینه سازی پایین آمدن پس از آن از طریق یک عملیات واحد و غیره.

طراحی سخت افزار/نرم افزار از یک سیستم FDS قابل حمل برای عملکرد پایدار و طبقه بندی در زمان واقعی ، ارزیابی سنسور شتاب سنج پوشیدنی.

عملکرد بالاتر و دقت 99. 38 ٪ نسبت به دیدگاه هیبریدی موجود و سیستم های تشخیص سقوط شتاب سنج.

2. کار مرتبط

سیستم های تشخیص سقوط فعلی تمرکز قابل توجهی بر استفاده از الگوریتم های یادگیری ماشین دارند و می توانند به سیستم های مبتنی بر حسگر [13،14،15،16،17] و مبتنی بر دید [18،19،20،21،22،23] طبقه بندی شوند.. داده های به دست آمده از حسگرها یا دوربین برای استخراج ویژگی هایی برای طبقه بندی حرکات انسان به عنوان سقوط پردازش می شود. اکثر FDS های مبتنی بر حسگر از داده های شتاب استفاده می کنند [8،16،24،25]. گیبسون و همکاران[25] داده‌های شتاب‌سنج را با تبدیل موجک و تجزیه و تحلیل مؤلفه‌های اصلی برای تشخیص سقوط و استفاده از تکنیک‌های مبتنی بر سنجش فشاری برای کاهش اطلاعات انتقال ارزیابی کرد. آنها بیشتر از طبقه‌بندی‌کننده‌های متعدد با سیستم رای اکثریت برای بهبود عملکرد نسبت به یک طبقه‌بندی واحد برای طبقه‌بندی قوی استفاده می‌کنند [24]. سوکور و همکاران[16] از داده های شتاب سنج از مجموعه داده MobiFall [26] برای پردازش سیگنال و انتخاب ویژگی ها استفاده کرد. تعدادی از ویژگی‌های حوزه زمان و دامنه فرکانس از جمله چگالی طیفی و انرژی طیفی استفاده شد. کولک و همکاران[8] از ماشین‌های بردار پشتیبانی با سیگنال‌های شتاب‌سنج و ارزیابی تصویر برای تشخیص سقوط استفاده کرد. حسیه و همکاران[13] الگوریتم رویداد سقوط سلسله مراتبی را ارائه کرد که از یک آستانه دوگانه و رویکرد مبتنی بر یادگیری ماشین برای تشخیص سقوط از شتاب‌سنج سه محوری با مقادیر حساسیت، ویژگی و دقت بالای 98٪ استفاده می‌کند. ژونگ و همکاران[17] یک سیستم الگوریتم بلادرنگ مبتنی بر آستانه های سرعت و جابجایی برای طبقه بندی سقوط ها ارائه کرد. یک فیلتر مرتبه دوم برای به حداقل رساندن تأثیر رانش بر روی سرعت عمودی به سیگنال اعمال شد.

کار فعلی در مورد تجزیه و تحلیل هرج و مرج و فراکتالی حرکات انسانی محدود به تجزیه و تحلیل راه رفتن و راه رفتن انسان است. مدل های راه رفتن انسانی در [27] مشخص شده است که عناصر سیستم های هرج و مرج را در اختیار داشته باشد. تجزیه و تحلیل پایداری پویا محلی از فعالیت پیاده روی و راه رفتن انسان ، یک نماینده مثبت Lyapunov (LE) را تعیین کرده است [28،29،30،31]. LE مثبت یک ویژگی امضاء سیستم های هرج و مرج و اندازه گیری حساسیت به آشفتگی های کوچک است. اخیراً ، [28،32] ثبات پویا محلی را با خطر سقوط همراه کرده است. موربونی و همکاران.[33] از سیگنال های الکترومیوگرافی برای طبقه بندی یادگیری عمیق موضع ، مراحل نوسان در هنگام پیاده روی طبیعی استفاده می کند. جفت و همکاران.[34] با نظارت بر راه رفتن در هنگام دویدن ، اعتبار سنسورهای پوشیدنی در دسترس تجاری را تعیین کرد و نتیجه گرفت که تنها معیارهای اندازه گیری شده توسط سنسورهای تجاری در دسترس معتبر هستند. پارک و همکاران.[35] یک سیستم نظارت بر مراقبت های بهداشتی در زمان واقعی برای نظارت بر راه رفتن و علائم حیاتی ایجاد کرد و از طبقه بندی یادگیری ماشین برای شرایط بهداشتی مانند راه رفتن بی نظم و شروع سکته مغزی استفاده کرد. Margiotta و همکاران.[36] از یک سیستم بی سیم دستگاه پوشیدنی برای تجزیه و تحلیل تغییرپذیری زمان ، برای تشخیص زودرس شرایط بهداشتی استفاده کرد. نگوین و همکاران.[37] ویژگی های راه رفتن را با چندین سنسور بدن پوشیدنی ضبط کرده و طبقه بندی راه رفتن را برای تعیین گروه های موضوعی با ناهنجاری ها انجام داده است. اشنایدر و همکاران.[38] یک سیستم تجزیه و تحلیل راه رفتن برای تعیین پارامترهای راه رفتن و سرعت ارائه داد. نویسندگان از یک دوربین و یک سنسور شتاب سنج برای تبعیض سرعت های مختلف راه رفتن از طریق ویژگی های راه رفتن دامنه فرکانس استفاده کردند. Coviello و همکاران.[39] از دستگاه های تعبیه شده با سنسورهای اینرسی برای پیشنهاد یک بستر بزرگ چند حسگر برای اندازه گیری فعالیت ها از طریق کاهش پیچیدگی گره تک و تضمین همگام سازی زمان برای نمونه های اکتسابی استفاده کرد. ساهو و همکاران.[40] یک روش تشخیص زودرس برای سیستم مبتنی بر سنسور اینرسی برای تشخیص زودهنگام وقایع راه رفتن و کاهش تأثیر تأخیر در دستگاه های پروتز و کمک کننده ارائه داد. جدا از تجزیه و تحلیل پایداری ، پویایی فراکتال پیاده روی و راه رفتن انسان نیز در [41،42،43] مورد تجزیه و تحلیل قرار گرفته است. ابعاد فراکتال در سیستم های زیست پزشکی برای تشخیص ناهنجاری ها استفاده شده است [44،45]. Koutsiana و همکاران.[44] ابعاد فراکتال را بر روی داده های تبدیل شده برای تشخیص صداهای قلب جنین ارزیابی کرد ، در حالی که ژانگ و همکاران.[45] از ابعاد فراکتال برای تشخیص ناهنجاری های مغز استفاده کرد.

کار فعلی ویژگی‌های فراکتال را برای آموزش الگوریتم‌های یادگیری ماشین برای سقوط و فعالیت‌ها بررسی نکرده است، چه رسد به یک پیاده‌سازی دستگاه قابل تنظیم مجدد تعبیه‌شده.

ثبت دیدگاه

مجموع دیدگاهها : 0در انتظار بررسی : 0انتشار یافته : ۰
قوانین ارسال دیدگاه
  • دیدگاه های ارسال شده توسط شما، پس از تایید توسط تیم مدیریت در وب منتشر خواهد شد.
  • پیام هایی که حاوی تهمت یا افترا باشد منتشر نخواهد شد.
  • پیام هایی که به غیر از زبان فارسی یا غیر مرتبط باشد منتشر نخواهد شد.