論文の概要: Detecting Wandering Behavior of People with Dementia
- arxiv url: http://arxiv.org/abs/2110.13128v1
- Date: Mon, 25 Oct 2021 17:47:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-26 17:36:01.252146
- Title: Detecting Wandering Behavior of People with Dementia
- Title（参考訳）: 認知症患者の放浪行動の検出
- Authors: Nicklas Sindlev Andersen and Marco Chiarandini and Stefan J\"anicke
and Panagiotis Tampakis and Arthur Zimek
- Abstract要約: そこで我々は, リアルタイムな移動自動検出手法を設計し, 迷子になるようにした。
この手法はGPSデータを利用して、動きの頻繁な位置を判断する。
合成データの実験を行い、頻繁な位置を見つけるためのアプローチの能力を検証し、それに代わる最先端のアプローチと比較する。
- 参考スコア（独自算出の注目度）: 2.071516130824992
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Wandering is a problematic behavior in people with dementia that can lead to
dangerous situations. To alleviate this problem we design an approach for the
real-time automatic detection of wandering leading to getting lost. The
approach relies on GPS data to determine frequent locations between which
movement occurs and a step that transforms GPS data into geohash sequences.
Those can be used to find frequent and normal movement patterns in historical
data to then be able to determine whether a new on-going sequence is anomalous.
We conduct experiments on synthetic data to test the ability of the approach to
find frequent locations and to compare it against an alternative,
state-of-the-art approach. Our approach is able to identify frequent locations
and to obtain good performance (up to AUC = 0.99 for certain parameter
settings) outperforming the state-of-the-art approach.
- Abstract（参考訳）: 放浪は認知症患者の問題行動であり、危険な状況につながる可能性がある。
この問題を軽減するため,私たちは,迷いのリアルタイム自動検出手法を設計した。
このアプローチはGPSデータに基づいて、動きの頻繁な位置とGPSデータをジオハッシュシーケンスに変換するステップを決定する。
これらは、履歴データから頻繁で正常な動きパターンを見つけ、新しい進行中のシーケンスが異常であるかどうかを判断するために使用できる。
合成データの実験を行い、頻繁な位置を見つけるためのアプローチの能力を検証し、それに代わる最先端のアプローチと比較する。
提案手法では, 頻繁な位置を同定し, 高い性能(パラメータ設定でAUC=0.99まで)を得ることができ, 最先端のアプローチよりも優れている。
関連論文リスト
- Enhancing stop location detection for incomplete urban mobility datasets [0.0]
本研究は, 位置同定のための密度に基づく手法を強化するために, 分類アルゴリズムの適用について検討する。
提案手法は,様々な時間にまたがる個別のルーチン行動を含む複数の特徴を取り入れ,個々のGPS点の局所的特徴を拡大する。
論文 参考訳（メタデータ） (2024-07-16T10:41:08Z) - GAD: A Real-time Gait Anomaly Detection System with Online Adaptive Learning [0.0]
歩行異常検出は、人の通常の歩行パターンから逸脱を検出するタスクである。
本稿では,リアルタイム歩行異常検出システムであるGADを紹介する。
論文 参考訳（メタデータ） (2024-05-04T22:43:09Z) - Physics-Guided Abnormal Trajectory Gap Detection [2.813613899641924]
本研究では,時空間のインデックス化と軌道ギャップのマージを両立させるための時空間ギャップ検出(STAGD)手法を提案する。
また、ダイナミックリージョンベースのマージ(DRM)アプローチを導入し、ギャップ異常スコアを効率的に計算する。
論文 参考訳（メタデータ） (2024-03-10T17:07:28Z) - Unraveling the "Anomaly" in Time Series Anomaly Detection: A
Self-supervised Tri-domain Solution [89.16750999704969]
異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。
自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。
自己教師型3領域異常検出器(TriAD)を提案する。
論文 参考訳（メタデータ） (2023-11-19T05:37:18Z) - Sequential Attention Source Identification Based on Feature
Representation [88.05527934953311]
本稿では,テンポラルシーケンスに基づくグラフ注意源同定(TGASI)と呼ばれるシーケンス・ツー・シーケンス・ベースのローカライズ・フレームワークを提案する。
なお、このインダクティブラーニングのアイデアは、TGASIが他の事前の知識を知らずに新しいシナリオのソースを検出できることを保証する。
論文 参考訳（メタデータ） (2023-06-28T03:00:28Z) - Are we certain it's anomalous? [57.729669157989235]
時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。
本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。
HypADは自己指導で入力信号を再構築する。
論文 参考訳（メタデータ） (2022-11-16T21:31:39Z) - DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and
Temporal Relatedness [78.98998551326812]
従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。
我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。
本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
論文 参考訳（メタデータ） (2022-09-26T21:59:14Z) - Real-Time Anomaly Detection in Edge Streams [49.26098240310257]
マイクロクラスタ異常の検出に焦点を当てたMIDASを提案する。
さらに、アルゴリズムの内部状態に異常が組み込まれている問題を解くために、MIDAS-Fを提案する。
実験の結果,MIDAS-Fの精度はMIDASよりも有意に高かった。
論文 参考訳（メタデータ） (2020-09-17T17:59:27Z) - TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。
時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。
提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文 参考訳（メタデータ） (2020-09-16T15:52:04Z) - ReRe: A Lightweight Real-time Ready-to-Go Anomaly Detection Approach for
Time Series [0.27528170226206433]
本稿では,リアルタイム・レディ・トゥ・ゴー・プロアクティブ・異常検出アルゴリズムReReを紹介する。
ReReは2つの軽量Long Short-Term Memory (LSTM)モデルを使用して、次のデータポイントが異常であるか否かを予測し、共同で判断する。
実世界の時系列データセットに基づく実験は、リアルタイム異常検出におけるReReの優れた性能を示す。
論文 参考訳（メタデータ） (2020-04-05T21:26:24Z) - RePAD: Real-time Proactive Anomaly Detection for Time Series [0.27528170226206433]
RePADはLong Short-Term Memory (LSTM)に基づくストリーミング時系列のリアルタイム能動異常検出アルゴリズムである
検出しきい値を時間とともに動的に調整することにより、RePADは時系列におけるマイナーパターンの変更を許容し、前向きまたは時間的に異常を検出することができる。
論文 参考訳（メタデータ） (2020-01-24T09:13:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。