論文の概要: An AIoT-enabled Autonomous Dementia Monitoring System

• arxiv url: http://arxiv.org/abs/2207.00804v1
• Date: Sat, 2 Jul 2022 11:36:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-05 14:05:28.656082
• Title: An AIoT-enabled Autonomous Dementia Monitoring System
• Title（参考訳）: AIoT対応自律型認知症モニタリングシステム
• Authors: Xingyu Wu and Jinyang Li
• Abstract要約: 本システムは, センサデータの活動推定に基づく2つの機能を実装し, リアルタイムな異常活動監視と, 疾患関連活動の傾向予測を行う。 活動推定と異常な活動検出のために設計された2つのRF分類器の精度は、それぞれ99%と94%以上である。
• 参考スコア（独自算出の注目度）: 4.216258586104556
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An autonomous Artificial Internet of Things (AIoT) system for elderly dementia patients monitoring in a smart home is presented. The system mainly implements two functions based on the activity inference of the sensor data, which are real time abnormal activity monitoring and trend prediction of disease related activities. Specifically, CASAS dataset is employed to train a Random Forest (RF) model for activity inference. Then, another RF model trained by the output data of activity inference is used for abnormal activity monitoring. Particularly, RF is chosen for these tasks because of its balanced trade offs between accuracy, time efficiency, flexibility, and interpretability. Moreover, Long Short Term Memory (LSTM) is utilised to forecast the disease related activity trend of a patient. Consequently, the accuracy of two RF classifiers designed for activity inference and abnormal activity detection is greater than 99 percent and 94 percent, respectively. Furthermore, using the duration of sleep as an example, the LSTM model achieves accurate and evident future trends prediction.
• Abstract（参考訳）: 高齢者認知症患者をスマートホームで監視する自律型人工物インターネット(AIoT)システムについて紹介する。 本システムは主に、リアルタイム異常活動監視と疾患関連活動の傾向予測であるセンサデータのアクティビティ推論に基づく2つの機能を実装している。 特にcasasデータセットは、活動推論のためにランダムフォレスト(rf)モデルをトレーニングするために使用される。 そして、アクティビティ推論の出力データによって訓練された別のRFモデルを用いて、異常なアクティビティ監視を行う。 特にRFは、精度、時間効率、柔軟性、解釈可能性の間のトレードオフのバランスのために、これらのタスクのために選択される。 さらに,Long Short Term Memory (LSTM) を用いて,患者の疾患関連活動傾向を予測する。 その結果,活動推定と異常活動検出用に設計された2つのrf分類器の精度は,それぞれ99%,94%であった。 さらに、睡眠の期間を例として、LSTMモデルは正確で明らかな将来のトレンド予測を達成する。

関連論文リスト

• Scaling Wearable Foundation Models [54.93979158708164]
  センサ基礎モデルのスケーリング特性を計算,データ,モデルサイズにわたって検討する。 最大4000万時間分の心拍数、心拍変動、心電図活動、加速度計、皮膚温度、および1分間のデータを用いて、私たちはLSMを作成します。 この結果から,LSMのスケーリング法則は,時間とセンサの両面において,計算や外挿などのタスクに対して確立されている。
  論文  参考訳（メタデータ） (2024-10-17T15:08:21Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Effective Abnormal Activity Detection on Multivariate Time Series Healthcare Data [8.84352369893021]
  本稿では,効率的な表現学習と異常行動検出のための残差に基づく異常検出手法Rs-ADを提案する。 本手法を実世界の歩行データセット上で評価し,実験結果からF1スコアが0.839であることを示す。
  論文  参考訳（メタデータ） (2023-09-11T22:08:09Z)
• Automated Mobility Context Detection with Inertial Signals [7.71058263701836]
  本研究の主な目的は,日常の運動機能の遠隔監視のためのコンテキスト検出について検討することである。 本研究の目的は、ウェアラブル加速度計でサンプリングされた慣性信号が、歩行関連活動を屋内または屋外に分類するための信頼性の高い情報を提供するかを理解することである。
  論文  参考訳（メタデータ） (2022-05-16T09:34:43Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• Designing A Clinically Applicable Deep Recurrent Model to Identify Neuropsychiatric Symptoms in People Living with Dementia Using In-Home Monitoring Data [52.40058724040671]
  鎮静は認知症において高い有病率を有する神経精神医学症状の1つである。 扇動エピソードの検出は、認知症に生きる人々(PLWD)に早期かつタイムリーな介入を提供するのに役立つ。 本研究は,家庭内モニタリングデータを用いてPLWDの動揺リスクを分析するための教師付き学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-10-19T11:45:01Z)
• Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
  本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。 私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。 提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
  論文  参考訳（メタデータ） (2021-04-29T00:11:32Z)
• Self-supervised transfer learning of physiological representations from free-living wearable data [12.863826659440026]
  意味ラベルのない活動・心拍(HR)信号を用いた新しい自己教師型表現学習法を提案する。 我々は、我々のモデルを、最大の自由生活複合センシングデータセット(手首加速度計とウェアラブル心電図データによる280k時間)で評価する。
  論文  参考訳（メタデータ） (2020-11-18T23:21:34Z)
• Predicting Parkinson's Disease with Multimodal Irregularly Collected Longitudinal Smartphone Data [75.23250968928578]
  パーキンソン病は神経疾患であり、高齢者に多い。 伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。 そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-09-25T01:50:15Z)

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。