論文の概要: An Edge-Cloud Collaborative Architecture for Proactive Elderly Care: Real-Time Risk Assessment and Three-Level Emergency Response

• arxiv url: http://arxiv.org/abs/2604.14154v1
• Date: Fri, 20 Mar 2026 03:00:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-19 19:09:11.679337
• Title: An Edge-Cloud Collaborative Architecture for Proactive Elderly Care: Real-Time Risk Assessment and Three-Level Emergency Response
• Title（参考訳）: プロアクティブケアのためのエッジクラウド協調型アーキテクチャ:リアルタイムリスクアセスメントと3レベル緊急対応
• Authors: Lijie Zhou, Luran Wang,
• Abstract要約: 既存のクラウド中心のプラットフォームは、緊急対応に適さない高レイテンシなど、重大な制限に直面している。 本稿では,リアルタイムマルチモーダルセンサ融合により,これらの課題に対処するエッジクラウド協調アーキテクチャを提案する。 3段階の緊急対応システムは、家族、地域医師、および近隣のボランティアの対応を調整する。
• 参考スコア（独自算出の注目度）: 2.2917707112773598
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The rapid aging of global populations has created an urgent need for intelligent healthcare monitoring systems to ensure the safety of elderly individuals living independently. Existing cloud-centric platforms face critical limitations, including high latency unsuitable for emergency response, privacy risks from continuous transmission of sensitive data, and limited, single-channel alert mechanisms lacking scalability and context awareness. This paper proposes an edge-cloud collaborative architecture that addresses these challenges through real-time multi-modal sensor fusion, a four-dimensional risk assessment model, and a three-level emergency response system. The framework adopts a five-layer design - device, edge, service, data, and application layers - enabling real-time risk evaluation with end-to-end alert latency under three seconds. At the edge, a weighted multi-modal fusion algorithm integrates data from five sensor types with confidence propagation. A unified risk score is generated by combining fall probability, physiological indicators, behavioral patterns, and sensor anomaly metrics. Based on dynamic thresholds, a three-tier notification system coordinates responses among family members, community doctors, and nearby volunteers. Experiments on CASAS, MIMIC-III, and SisFall datasets show that the approach achieves 91% activity recognition accuracy and an 84% anomaly detection F1-score, outperforming single-sensor methods. Deployment on Raspberry Pi 4 gateways demonstrates sub-100 ms inference latency while preserving privacy by keeping raw data local. This architecture advances practical, privacy-preserving, and responsive elderly care systems.
• Abstract（参考訳）: グローバル人口の急速な高齢化は、高齢者が自立して生活することの安全を確保するために、インテリジェントな医療監視システムの必要性を緊急に生み出している。 既存のクラウド中心プラットフォームには、緊急対応に適さない高レイテンシ、機密データの継続的な送信によるプライバシーリスク、スケーラビリティとコンテキスト認識に欠ける限定された単一チャネル警告メカニズムなど、重要な制限がある。 本稿では,リアルタイムマルチモーダルセンサ融合,4次元リスク評価モデル,3レベル緊急対応システムを通じて,これらの課題に対処するエッジクラウド協調アーキテクチャを提案する。 このフレームワークでは,デバイス,エッジ,サービス,データ,アプリケーションレイヤという5層設計を採用して,エンドツーエンドのアラートレイテンシを3秒以内でリアルタイムなリスク評価を実現している。 エッジでは、重み付けされたマルチモーダル融合アルゴリズムが5種類のセンサからのデータと信頼性の伝播を統合する。 統合リスクスコアは、転倒確率、生理指標、行動パターン、センサ異常メトリクスを組み合わせて生成される。 ダイナミックなしきい値に基づいて、3段階の通知システムは、家族、地域医師、および近隣のボランティアの反応を調整する。 CASAS、MIMIC-III、SisFallのデータセットでの実験では、このアプローチは91%のアクティビティ認識精度と84%の異常検出F1スコアを達成し、単一センサ法よりも優れていた。 Raspberry Pi 4ゲートウェイへのデプロイでは、生データをローカルに保持することで、プライバシを保ちながら、100ms未満の推論遅延が示される。 このアーキテクチャは、実用的で、プライバシーを保護し、応答性のある高齢者ケアシステムを前進させる。

関連論文リスト

• DeFRiS: Silo-Cooperative IoT Applications Scheduling via Decentralized Federated Reinforcement Learning [62.347535250646196]
  本稿では、ロバストでスケーラブルなシロコラボ型IoTアプリケーションスケジューリングのための分散フェデレーション強化学習フレームワークであるDeFRiSを提案する。 DeFRiSは、(i)異種サイロ間のシームレスな知識伝達を可能にするための候補資源スコアを利用したアクション空間非依存ポリシー、(ii)汎用アドバンテージ推定とクリッピングされたポリシー更新を組み合わせたサイロ最適化ローカル学習メカニズム、(iii)類似性認識の知識伝達と異常検出に勾配指紋を利用するDual-Track Non-IIDロバストな分散集約プロトコル、の3つのイノベーションを統合する。
  論文  参考訳（メタデータ） (2026-03-16T02:02:38Z)
• FRIEND: Federated Learning for Joint Optimization of multi-RIS Configuration and Eavesdropper Intelligent Detection in B5G Networks [3.809709581796032]
  We present a novel framework for detection malicious users in RIS-enhanced cell-free mmWave network using Federated Learning (FL) using Federated Learning (FL)。 FLとMulti-RISの連携は,ベースライン非RIS支援法と比較して,達成された秘密保持率(SR)を約30%向上させることを示した。 この研究は、次世代IIoTデプロイメントに適した物理的レイヤの盗聴検出に対する、分散されたプライバシ保護アプローチを確立する。
  論文  参考訳（メタデータ） (2026-03-11T17:02:40Z)
• Differential Privacy for Secure Machine Learning in Healthcare IoT-Cloud Systems [11.452686322120428]
  救急医療の対応速度を高めるために,多層IoT,エッジ,クラウドアーキテクチャを提案する。 患者のデータのプライバシは、複数の機械学習モデルにまたがって差分プライバシーフレームワークを提案することで保証される。
  論文  参考訳（メタデータ） (2025-12-11T08:37:37Z)
• Privacy-Preserving Healthcare Data in IoT: A Synergistic Approach with Deep Learning and Blockchain [0.5097809301149341]
  医療におけるIoT(Internet of Things)デバイスの統合は、リアルタイム監視、パーソナライズされた治療、効率的なデータ管理を可能にして、患者のケアに革命をもたらした。 従来のセキュリティ対策は、IoT環境がもたらすユニークな課題に対処するには不十分であることが多い。 我々は,IoT対応医療システムのセキュリティと信頼性を高めるために,総合的な3段階セキュリティフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-21T12:21:49Z)
• Online Reliable Anomaly Detection via Neuromorphic Sensing and Communications [58.796149594878585]
  本稿ではニューロモルフィック無線センサネットワークに基づく低消費電力オンライン異常検出フレームワークを提案する。 検討したシステムでは、中央受信ノードが各時間フレームでニューロモルフィックセンサノード(ニューロSN)のサブセットを積極的にクエリする。 ニューロモルフィックセンサーは事象駆動であり、モニターされたシステムの関連する変化に対応してスパイクを発生させる。
  論文  参考訳（メタデータ） (2025-10-16T13:56:54Z)
• Person Recognition at Altitude and Range: Fusion of Face, Body Shape and Gait [70.00430652562012]
  FarSightは、顔認識のためのエンドツーエンドシステムで、顔、歩行、体形を横断する生体計測の手がかりを統合する。 FarSightは、4つのコアモジュールにまたがる新しいアルゴリズムを組み込んでいる。
  論文  参考訳（メタデータ） (2025-05-07T17:58:25Z)
• AILuminate: Introducing v1.0 of the AI Risk and Reliability Benchmark from MLCommons [62.374792825813394]
  本稿ではAI製品リスクと信頼性を評価するための業界標準ベンチマークとして,AIluminate v1.0を紹介する。 このベンチマークは、危険、違法、または望ましくない行動を12の危険カテゴリーで引き起こすように設計されたプロンプトに対するAIシステムの抵抗を評価する。
  論文  参考訳（メタデータ） (2025-02-19T05:58:52Z)
• Computer-Aided Fall Recognition Using a Three-Stream Spatial-Temporal GCN Model with Adaptive Feature Aggregation [0.5235143203977018]
  転倒予防は現代医療において特に高齢者にとって最重要である。 高齢者の生活を救うためには,コンピュータ支援による転倒検知システムが不可欠である。 本稿では,3流時空間特徴量に基づく転倒検出システムを提案する。
  論文  参考訳（メタデータ） (2024-08-22T08:40:04Z)
• Millimeter Wave Radar-based Human Activity Recognition for Healthcare Monitoring Robot [8.98784164617929]
  本稿では,人間活動のリアルタイム監視のための移動ロボット搭載mmWaveレーダシステムであるRobHARを提案する。 まず,ポイントクラウドの特徴を学習するために,クラウドベースのグローバルな埋め込みを提案する。 そして、双方向軽量LSTMモデル(BiLiLSTM)を用いて時間パターンを学習する。
  論文  参考訳（メタデータ） (2024-05-03T06:57:59Z)
• Joint Sensing, Communication, and AI: A Trifecta for Resilient THz User Experiences [118.91584633024907]
  テラヘルツ(THz)無線システムに対する拡張現実(XR)体験を最適化するために、新しい共同センシング、通信、人工知能(AI)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-29T00:39:50Z)

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。