在环境辅助生活中分析习惯模式和行为差异:基于LSTM的预测模型

科学领域:

• 老年学和健康信息学
• 医疗保健中的人工智能
• 传感器技术和数据分析数据分析

背景情况:

• 全球人口老龄化需要先进的解决方案,以确保老年人的安全和独立生活.
• 环境辅助生活 (AAL) 技术,包括被动红外线 (PIR) 运动传感器,对于监测日常活动和检测潜在的健康问题至关重要.
• 现有的PIR传感器系统有局限性,可以克服这些局限性,以提高占用率预测的准确性.

研究的目的:

• 开发一个使用PIR传感器和长短期记忆 (LSTM) 网络的不引人注目的家庭监控框架.
• 通过分析老年人的习惯性活动模式,提高占用率预测的准确性.
• 为了识别可能标志着健康问题或紧急情况的正常日常生活中的偏差.

主要方法:

• 在单个居民公寓中部署战略位置的PIR传感器.
• 长短期记忆 (LSTM) 网络的应用,用于预测老年人占用行为的建模.
• 预测占用时间为15,30,45,60分钟的时间段.
• 开发和使用一种习惯性不一致度指标来量化模式偏差.

主要成果:

• 基于LSTM的预测模型在15分钟段中实现了93.0%的训练准确率和91.4%的验证准确率.
• 该模型在短期占用预测方面表现出强大的预测性能.
• 习惯性不一致度量有效地识别了日常生活中的变化和潜在的紧急情况.

结论:

• 与LSTM模型集成的运动传感器系统为分析老年人的习惯模式和行为差异提供了宝贵的工具.
• 该框架可以有效地检测常规变化或紧急情况,从而改善老年人护理和安全.
• 这项技术支持老年人独立生活,同时确保及时干预,降低不良健康结果的风险.