相关实验视频
Updated: May 12, 2025
07:24
Home-Based Monitor for Gait and Activity Analysis
Published on: August 8, 2019
6.7K
在物联网环境中使用一组深度学习模型,为残疾人进行智能室内监控
Faisal S Alsubaei1, Abdulrahman A Alshdadi2, Mohammed Rizwanullah3,4
1Department of Cybersecurity, College of Computer Science and Engineering, University of Jeddah, 21959, Jeddah, Saudi Arabia. fsalsubaei@uj.edu.sa.
Scientific reports
|May 9, 2025
概括
这项研究引入了一个智能室内监控系统,用于残疾人,使用一组深度学习模型. 通过精确的活动识别,SIMDP-EDLIoT技术提高了福祉和安全.
科学领域:
- * 计算机科学 计算机科学
- * 人工智能 * 人工智能
- * 医疗保健技术 * 医疗保健技术
背景情况:
- * 室内活动监控对于残疾人和老年人的福祉和安全至关重要.
- *现有的人类活动识别 (HAR) 模型需要对残疾人群体进行增强.
- * 物联网 (IoT) 和深度学习 (DL) 为先进的健康监测提供了潜力,但在数据处理和延迟方面面临挑战.
研究的目的:
- *为残疾人提供一种新的智能室内监控,使用物联网环境 (SIMDP-EDLIoT) 技术中的深度学习模型组合.
- * 提高残疾人室内活动监控的准确性和效率.
- * 改善独立生活的残疾人的整体健康和安全.
主要方法:
- * 实现线性缩放规范化 (LSN) 进行适当的输入数据缩放.
- * 采用改进的 Osprey 优化算法 (IOOA) 进行特征选择,以减少维度和提高效率.
- * 采用了一组深度学习模型,包括双向长期短期记忆 (BiLSTM),封闭循环单元 (GRU) 和条件变化自编码器 (CVAE),用于活动监控.
主要成果:
- * SIMDP-EDLIoT 方法在 HAR 数据集上取得了卓越的性能.
- * 证明了高精度 (98.85%),精度 (97.71%),灵敏度 (97.70%),特异性 (99.24%) 和F-测量 (97.70%).
- * 在所有评估的绩效指标中表现优于现有方法.
结论:
- * SIMDP-EDLIoT技术有效监控残疾人的室内活动.
- * 整体深度学习方法显著提高了HAR系统的准确性和可靠性.
- * 这种方法为改善残疾人在家中的安全和福祉提供了一个有希望的解决方案.
