通过能源消耗数据和机器学习检测日常生活活动,以支持独立衰老
Alejandro Pérez-Vereda1, Jesús Fontecha2, Adrián Sanchez-Miguel3
1Faculty of Digital Business, Technology and Law, UTAMED (Universidad Tecnológica Atlántico Mediterráneo), Malaga, Spain. alejandro.perez@utamed.es.
Journal of medical systems
|October 2, 2025
概括
这项研究使用智能插头能源数据和机器学习来识别日常生活的工具性活动 (IADL),支持老龄化人口的独立生活.
科学领域:
- 老年学和健康信息学
- 人工智能和机器学习
- 智能家居技术和能源监测
背景情况:
- 越来越多的人口老龄化需要先进的解决方案来支持独立生活.
- 监测日常活动对于老年护理和及时干预至关重要.
- 智能家居技术提供了一种非侵入性的活动识别方法.
研究的目的:
- 通过使用电力消耗数据,研究确定日常生活工具活动 (IADL) 的可行性.
- 开发和评估机器学习模型,根据能源使用模式对IADL进行分类.
- 评估基于能源的活动认可对环境辅助生活 (AAL) 应用的潜力.
主要方法:
- 利用REFIT数据集,包括智能插头功耗数据.
- 雇员无监督的K-Means集群用于对能源消耗模式进行分组.
- 应用监督的长期短期记忆 (LSTM) 网络用于活动分类和预测.
- 使用Silhouette和Davies-Bouldin指数进行集群,并使用F1-Score进行分类的验证模型.
主要成果:
- K-Means 集群有效地分组了能量模式 (银幕图得分:0.88,戴维斯-博尔丁指数:0.29).
- 随着时间的推移,LSTM模型在对IADL进行分类方面取得了很高的准确性 (F1-Score:0.99).
- 由于不同的能量签名,,清洁和娱乐等活动得到了最准确的识别.
结论:
- 使用智能插头识别基于能源的活动是监控IADL的一个可行的方法.
- 这种非侵入性方法支持独立老化,并且在AAL环境中具有潜力.
- 未来的研究应该专注于检测没有直接能源使用的活动,并整合上下文数据.
