智能家居辅助异常检测系统用于老年人:一种深度学习方法,包括一套全面的日常活动

科学领域:

• 老年学是指老年学的学科.
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 智能家居为老年人远程健康监测提供了潜力,提高了他们的独立性.
• 目前的方法缺乏全面的活动分析和人口层面的数据整合.
• 需要先进的技术来模拟复杂的日常生活,并检测微妙的健康偏差.

研究的目的:

• 开发一个深度学习框架,用于智能家居中的人口级行为建模.
• 检测与正常日常生活中的显著偏差,表明老年人健康状况发生了变化.
• 为了利用一套全面的41个日常活动进行异常检测.

主要方法:

• 利用深度学习,特别是循环神经网络,用于行为建模和第二天的预测.
• 通过分析从预测行为中偏离的情况,建模日常日常模式,并确定异常.
• 采用正常分布模型的预测错误,以考虑时间方面,并检测显著的偏差.

主要成果:

• 循环神经网络模型在第二天的常规预测中实现了4.38%的平均平方误差.
• 每日日常活动的聚类产生了0.18.的轮得分.
• 检测到的异常经常涉及多项活动的偏差 (平均3.0-3.6项活动),超过60%的测试组异常影响了三项或更多的活动.

结论:

• 拟议的深度学习方法有效地模拟智能家居中的人口水平行为,以检测异常.
• 这种方法通过识别众多日常活动中的重大偏差来增强远程健康监测.
• 可扩展的框架可以扩展到包括更多的活动,提高其对老年人护理的实用性.