Machine Learning Algorithms for Early Fall Detection of Elderly People
سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 94
فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JITM-14-2_003
تاریخ نمایه سازی: 5 اردیبهشت 1401
چکیده مقاله:
Falls are a serious concern among the elderly people, causing severe physical pain to them and placing a strain on medical infrastructure. The global elderly population is expected to grow significantly in the coming years, as advances in healthcare allow lifespans to increase globally. This will bring more chances for falls to occur. With this in mind, there is a need for new research to be conducted on finding ways to reduce this problem. One area which shows promise is the use of Machine Learning to perform fall detection. Machine Learning is a rapidly growing field, and it has many applications in various fields such as finance, technology and medicine. When it comes to fall detection, Machine Learning systems are often able to detect falls much better and efficiently than a human can, given the same input data. The goal of this paper is to conduct a survey study on the main and most common machine learning algorithms implemented in the field of early fall detection for elderly people and the characteristics. The paper will discuss the different types of fall detection systems, algorithms, tools, datasets, applications, and challenges. By conducting this research, a better understanding of the context, progress and trends in the field will be possible so that future research will have a guide to build upon.
کلیدواژه ها:
نویسندگان
Almeraikhi
College of Engineering, Abu Dhabi University, Abu Dhabi, UAE.
Al-Rajab
College of Engineering, Abu Dhabi University, Abu Dhabi, UAE.
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :