MALLICK, Rupayan; YEBDA, Thinhinane; BENOIS PINEAU, Jenny; ZEMMARI, Akka; PECH, Marion; AMIEVA, Helene

doi:10.1109/Mmul.2022.3147381

Métadonnées

Afficher la notice complète

Licence d’utilisation du document

MALLICK, Rupayan
Laboratoire Bordelais de Recherche en Informatique [LaBRI]

YEBDA, Thinhinane

Laboratoire Bordelais de Recherche en Informatique [LaBRI]

BENOIS PINEAU, Jenny

Laboratoire Bordelais de Recherche en Informatique [LaBRI]

Langue

Article de revue

Ce document a été publié dans

IEEE MultiMedia. 2022-02-01, vol. 29, n° 1, p. 7-17

Résumé en anglais

In healthcare applications, the multimedia methodology is applied to multimodal signals and visual data. This article focuses on the detection of risk situations of frail people from lifelog multimodal signals and video recorded with wearable sensors. We propose a hybrid 3D convolutional neural network (3DCNN) and gated recurrent unit (GRU) (3DCNN-GRU) deep architecture with two branches. The first branch is a GRU network with a global attention block for classification of multisensory signal data. The second branch is a 3DCNN with windowing synchronized with multidimensional time-series signals. Two branches of the neural network are fused yielding promising results. The method produces 83.26% accuracy with dataset BIRDS. Benchmarking is also fulfilled on a publicly available dataset in action recognition.< Réduire

URI

https://oskar-bordeaux.fr/handle/20.500.12278/140496

DOI

http://dx.doi.org/10.1109/Mmul.2022.3147381

Métadonnées

Licence d’utilisation du document

Detection of Risky Situations for Frail Adults With Hybrid Neural Networks on Multimodal Health Data

Langue

Ce document a été publié dans

Résumé en anglais

URI

DOI

Unités de recherche

Métadonnées

Partager cette publication !

Licence d’utilisation du document

Detection of Risky Situations for Frail Adults With Hybrid Neural Networks on Multimodal Health Data

Langue

Ce document a été publié dans

Résumé en anglais

URI

DOI

Unités de recherche