arXiv cs.AI· Rashi Niyas P, Ritika Jain, Hitika Tiwari·· 3 天前AI 评分21
FALLNEST：面向可穿戴跌倒检测的不平衡 IMU 数据双域数据集浓缩
FALLNEST: Dual-Domain Dataset Condensation of Imbalanced IMU Data for Wearable Fall Detection
AI 导读
FALLNEST 通过归一化梯度与嵌入匹配的合成时频浓缩，将大规模不平衡 IMU 数据集蒸馏为类别均衡的微型合成训练集。该方法引入 7 通道输入、类别均衡 K-Means 初始化、梯度裁剪与多视角傅里叶域增强，使类别均衡来自浓缩集本身而非重采样。
正文 · AI 翻译
摘要：可穿戴跌倒检测受限于跌倒事件稀少、标注 IMU 数据稀缺，以及在大型不平衡语料上训练深度模型的高昂成本。现有方法要么依赖手工特征与浅层分类器，限制了从原始信号中学习的能力，要么在全量数据集上训练深度网络，需要重采样以应对类别偏斜，并需要大量数据和算力。为解决这一问题，我们提出了一种新颖的跌倒检测框架，通过归一化梯度与嵌入匹配的合成时频凝聚实现，称为 FALLNEST，这是一种以数据为中心的方法，将大型不平衡 IMU 数据集蒸馏为微小、类别平衡的合成训练集。基于双域时间序列凝聚（CondTSC），FALLNEST 引入了针对跌倒的 7 通道输入（含加速度计矢量幅值）、类别平衡的 K-Means 初始化，以及带梯度裁剪的归一化梯度匹配，并结合基于 MMD 的嵌入对齐和多视图傅里叶域增强，使类别平衡源自凝聚集本身而非重采样。我们在 SisFall、KFall 和 MobiFall 上使用严格的按受试者划分和自然不平衡测试集进行评估，报告五个随机种子下的准确率、Macro-F1 和 PR-AUC。一个仅 102K 参数的 TinyCNN 仅在 32 至 146 个合成窗口（约仅占训练窗口的 1%）上训练，即可达到 93.5-95.8% 的平均准确率和 0.89-0.98 的 PR-AUC，准确率标准差为 1.0-1.7%，证明了我们方法的有效性。
| 评论： | 10 页，2 幅图，用于会议 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；信号处理（eess.SP） |
| 引用为： | arXiv:2610.18260 [cs.CV] |
| （或 arXiv:2610.18260v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.18260 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Rashi Niyas Padinjatty [查看电子邮件]
[v1]
2026 年 10 月 13 日星期二 12:25:20 UTC（1,498 KB）
来源：arXiv cs.AI · arxiv.org