کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4957392 1445077 2017 42 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A hierarchical model for recognizing alarming states in a batteryless sensor alarm intervention for preventing falls in older people
ترجمه فارسی عنوان
یک مدل سلسله مراتبی برای شناخت حالت های هشدار دهنده در یک زنگ هشدار سنسور خالی برای جلوگیری از افتادن افراد مسن
کلمات کلیدی
ترجمه چکیده
آبشارها در میان افراد مسن، به ویژه در بیمارستان ها و خانه های پرستاری رایج هستند. ترکیبی از روشهای شناختی فراگیر و روش یادگیری آماری، ایجاد امکانات جدید برای نظارت خودکار بر فعالیت های افراد سالخورده بستری شده برای ارائه نظارت هدفمند و به موقع توسط کارکنان بالینی برای کاهش سقوط است. در این مقاله ما یک مدل حوزه تصادفی شرطی سلسله مراتبی را برای پیش بینی حالت های هشدار دهنده (خارج از تخت یا صندلی) از یک مفهوم پوشیدنی منفرد از سنسور پوشیده شده از لباس به منظور ارائه یک مکانیزم مداخله برای کاهش سقوط معرفی شده است. رویکرد ما حالت های زنگ را در زمان واقعی پیش بینی می کند و از استفاده از روش های اتخاذ شده از لحاظ تجربی به تنهایی یا در ترکیب با مدل های مبتنی بر یادگیری ماشین و یا طبقه بندی های چندگانه آبشاری برای تولید آلارم از جریان های پیش بینی فعالیت اجتناب می کند. در عوض، رویکرد سلسله مراتبی پیشنهادی، هشدارهای مبتنی بر روابط آماری بین هشدارها، اطلاعات حسگر و پیش بینی های فعالیت های سطح پایین را پیش بینی می کند. ما عملکرد رویکرد را با 14 سالمند سالمند و 26 بیمار مسن تر بستری مقایسه می کنیم و عملکرد مشابه یا بهتر را نسبت به روش های مبتنی بر یادگیری ماشین با روش های مبتنی بر اکتشاف، به دست می آوریم.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر شبکه های کامپیوتری و ارتباطات
پیش نمایش مقاله
یک مدل سلسله مراتبی برای شناخت حالت های هشدار دهنده در یک زنگ هشدار سنسور خالی برای جلوگیری از افتادن افراد مسن
چکیده انگلیسی
Falls are common among older people, especially in hospitals and nursing homes. The combination of pervasive sensing and statistical learning methods is creating new possibilities for automatic monitoring of activities of hospitalized older people to provide targeted and timely supervision by clinical staff to reduce falls. In this paper we introduce a hierarchical conditional random fields model to predict alarming states (being out of the bed or chair) from a passive wearable embodiment of a sensor worn over garment to provide an intervention mechanism to reduce falls. Our approach predicts alarm states in real time and avoids the use of empirically determined heuristics methods alone or in combination with machine learning based models, or multiple cascaded classifiers for generating alarms from activity prediction streams. Instead, the proposed hierarchical approach predicts alarms based on learned relationships between alarms, sensor information and predicted low-level activities. We evaluate the performance of the approach with 14 healthy older people and 26 hospitalized older patients and demonstrate similar or better performance than machine learning based approaches combined with heuristics based methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pervasive and Mobile Computing - Volume 40, September 2017, Pages 1-16
نویسندگان
, , , ,