Нейросеть для носимых устройств распознаёт падения с точностью 98,91%

Модель машинного обучения для носимых устройств показала точность 98,91% на одном из трёх мировых наборов данных о человеческой активности. Работа опубликована в журнале «Сложные и интеллектуальные системы».

Главная трудность в распознавании активности — совместить разномасштабное: ловить мгновенные события вроде резкого ускорения при падении и одновременно удерживать длинные паттерны, чтобы отличить ходьбу от бега. Обычно модель умеет что-то одно.

Как устроена модель

Авторы развели задачи по двум ветвям. Первая — временная свёрточная сеть с причинными свёртками — отвечает за локальные и среднесрочные паттерны, то есть за текущее действие. Вторая — двунаправленные рекуррентные слои с механизмом канального внимания — моделирует долгосрочные зависимости и контекст всей последовательности движений.

При этом система остаётся компактной: 50–62 тыс. параметров и 2–3,5 млн вычислительных операций на одно предсказание. Такой размер позволяет запускать её на смарт-часах, фитнес-браслетах и медицинских устройствах без отправки данных в облако.

Результаты на трёх наборах

В первом наборе 30 испытуемых выполняли 17 видов активности, включая падение в обморок и удар о препятствие. Точность модели — 97,49%, что на 2,49 процентных пункта выше прежнего лучшего результата. Разрыв особенно виден в сбалансированности по классам: 97,5% против 74,2% у распространённой альтернативы. Иначе говоря, частые и редкие действия распознаются одинаково хорошо.

На втором наборе точность достигла 98,91%, превысив показатель мирового лидера на 1,2 процентных пункта.

Третий набор оказался самым сложным: данных об одних движениях было в десять раз больше, чем о других. В таких условиях нейросеть обычно заучивает частые действия и игнорирует редкие. Новая модель показала 92% и распознала редкие активности на 10,38 процентных пункта лучше предыдущей.

Поведение при шуме

Отдельный эксперимент прошёл на зашумлённых данных без лабораторного контроля. При лёгком шуме точность снизилась на 3,34 процентных пункта, при умеренном — на 8,34. Деградация предсказуемая, а не обвальная, что важно для реальной эксплуатации в носимых устройствах.

Применение технологии — мониторинг здоровья, реабилитация после травм и инсультов, подготовка спортсменов и автономный транспорт.