Press/กด CtrlหรือCmd + P to print
or save as PDF

Fall Detection Approach Using Variational Autoencoders with Self-Attention Features

Estimated reading time: 1 min
Research Article: Fall Detection Approach Using Variational Autoencoders with Self-Attention Features
ผู้เขียน|Author: Tomorn Soontornnapar and Tuchsanai Ploysuwan | โตมร  สุนทรนภา และทัศนัย พลอยสุวรรณ
Email: tomorn.soo@siam.edu
Department|Faculty: Department of Electrical, Faculty of Engineering, Siam University, Bangkok 10160
ภาควิชา|คณะ: ภาควิชาวิศวกรรมไฟฟ้า คณะวิศวกรรมศาสตร์ มหาวิทยาลัยสยาม กรุงเทพฯ 10160
Published|แหล่งเผยแพร่: The 20th International Conference on Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology MAY 9-12, 2023 | การประชุมนำเสนอผลงานวิชาการระดับนานาชาติ ECTI-CON 2023 ครั้งที่ 20

การอ้างอิง|Citation 

Soontornnapar T., & Ploysuwan T. (2023). Fall detection approach using variational autoencoders with self-attention features. In  The 20th International Conference on Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology MAY 9-12, 2023 (pp. 92). Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology (ECTI) Association, Thailand.

โตมร  สุนทรนภา. (2566). Fall detection approach using variational autoencoders with self-attention features. ใน รายงานการประชุม การประชุมนำเสนอผลงานวิชาการระดับนานาชาติ ECTI-CON 2023 (หน้า 92). สมาคมวิชาการไฟฟ้า อิเล็กทรอนิกส์ คอมพิวเตอร์ โทรคมนาคม และสารสนเทศประเทศไทย.


ABSTRACT

     In this paper, we propose an alternative method for fall detection using variational autoencoders (VAEs) with an attention mechanism on an existing dataset. The dataset consists of 6 different fall cases from 21 people. For effective fall detection, we introduce the use of the magnitude of the acceleration vector (MAV) of wearable gyroscope data and apply fast-Fourier transform (FFT) to create new features. These FFT features are then passed through attention modules with self-combination to form attention features. Our experimental results show that the VAE with self-attention features achieved an average accuracy of 90.7% and an F1 score of 93.8% in fall detection, demonstrating the effectiveness of the proposed method in utilizing gyroscope sensors for fall detection in the context of threshold criteria.

Keywords:  fall detection, wearable gyroscope, attention mechanism, variational autoencoder, fast-Fourier transform.


Fall Detection Approach Using Variational Autoencoders with Self-Attention Features

คณะวิศวกรรมศาสตร์ มหาวิทยาลัยสยาม | Faculty of Engineering, Siam University, Bangkok, Thailand