GAD: A Real-time Gait Anomaly Detection System with Online Adaptive Learning

步态异常检测是一项任务，涉及检测人的正常步态模式的偏差。这些偏差可以指示医疗保健领域中的健康问题和医疗状况，或指示安全领域中的欺诈冒充和未经授权的身份访问。已经介绍了许多步态异常检测方法，但其中许多需要离线数据预处理、离线模型学习、设置参数等，这可能限制它们在实际场景中的有效性和适用性。为了解决这些问题，本文介绍了一个实时步态异常检测系统GAD。GAD专注于基于降维和长短时记忆（LSTM）来检测个人三维加速度计读数中的异常。启动后，GAD开始从用户收集步态片段，并即时训练异常检测器以学习用户的步行模式。如果后续模型验证成功，即通过验证用户的后续步骤来验证训练过的检测器，检测器将被用于在用户请求时识别用户后续步态读数中的异常。异常检测器将在线保留以适应轻微的模式变化，并在不能提供足够预测的情况下进行重新训练。我们探索了两种捕获用户步态片段的方法：个性化方法和统一方法。实验结果使用开源步态数据集表明，当与个性化方法结合使用时，GAD实现了更高的检测准确率比率。

实时监测人的步态异常，检测健康问题或安全问题的身份冒充和未授权身份访问。

使用基于降维和LSTM的三维加速度计读数的实时步态异常检测系统，通过在线学习用户的步行模式来检测异常。

论文提出了GAD实时步态异常检测系统，可以根据个人步长或统一步长捕获用户的步态片段。使用开源步态数据集进行实验，结果表明GAD与个性化方法相结合可以实现更高的检测准确率。

最近的相关研究包括：'A Survey of Gait Recognition: Approaches, Challenges and Applications'，'Gait Recognition Using Wearable Sensors: A Comparison of Feature Sets and Classifiers'，'Real-Time Gait Recognition Based on a Single Accelerometer Using a Deep Neural Network'等。