کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4957470 1364758 2017 25 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Unsupervised illness recognition via in-home monitoring by depth cameras
ترجمه فارسی عنوان
تشخیص عدم نظارت از طریق مانیتور در خانه با استفاده از دوربین های عمقی
کلمات کلیدی
محیط زیست به زندگی کمک می کند، نظارت بر سالمندان، تشخیص آنومالی، آگاهی وضعیت وضعیت مبتنی بر عمق، یادگیری بی نظیر،
ترجمه چکیده
اکثر سیستم های داخلی در حال حاضر برای تشخیص بیماری در افراد سالخورده با همان محدودیت ها مواجه می شوند: آنها فقط آپارتمان های اختصاصی را هدف قرار می دهند، اگر چه زوج ها ممکن است نیاز به حمایت داشته باشند و با افراد تحت نظارت مواجه شوند که در زندگی روزمره آنها عادی نیست آنها تمایل دارند حتی انحراف های کوچک را از روال های استاندارد (مثلا پخت غذا یک ساعت بعد از معمول) به عنوان ناهنجاری ها طبقه بندی کنند. داده های آموزشی مورد استفاده برای آشکارسازهای ناخواسته به طور معمول شامل تنها روزهایی است که موضوع به تنهایی و بیمار نیست، در حالیکه در عمل معلومات روزانه، یعنی اطلاعاتی در مورد اینکه آیا فرد سالخورده بازدید کننده ای داشت یا احساس خوبی داشت یا خیر، مشکل است. علاوه بر این، به عنوان هر اتاق در آپارتمان مورد نظارت معمولا مجهز به آشکارسازهای حرکت مادون قرمز منفعل، حفظ این سیستم ممکن است برای ساکنان ناخوشایند باشد. برای مقابله با این مشکلات، این مقاله یک شناسه ی احتمال احتمالی جدید ارائه می دهد که به روال معمول روزانه متکی نیست و نیازی به برچسب گذاری داده ندارد. این آشکارساز در آپارتمان هایی که تنها افراد مسن سالخورده و زوج ها ساکن شده بودند، مورد آزمایش قرار گرفتند و در تمام موارد فقط اتاق نشیمن و راهرو ها بدون هیچ تهاجمی به فضاهای خصوصی تر نظارت شد. علیرغم آموزش کاملا غیرمسئولانه خود در مورد اطلاعاتی که روزهای عادی و غیر معمول را شامل می شود (روزهای بیماری، بازدید از سوی دیگران و غیره)، آشکارساز پیشنهادی بین روزهای طبیعی و بیماری ها با دقت متوسط ​​88٪ و بینابینی مهمانان به عنوان ناهنجاری ها.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر شبکه های کامپیوتری و ارتباطات
پیش نمایش مقاله
تشخیص عدم نظارت از طریق مانیتور در خانه با استفاده از دوربین های عمقی
چکیده انگلیسی
Most of today's in-home systems for detecting illness in the elderly meet with the same limitations: they target only single occupancy apartments, although couples may need support, too, and, faced with monitored subjects who are not necessarily regular in their everyday life, they tend to classify even slight deviations from standard routines (e.g. cooking a meal one hour later than usual) as anomalies. The training data used for anomaly detectors typically include only days when the subject is alone and not sick, whereas in practice it is difficult to obtain day labels, i.e. information on whether the elderly subject had visitors or felt well or unwell. In addition, as every room in the apartment to be monitored is usually equipped with passive infrared motion detectors, the maintaining of such systems may be inconvenient for the residents. To address these problems, this paper proposes a new probabilistic illness detector which does not rely on regular daily routines and requires no data labelling. The detector was tested in apartments inhabited by single elderly subjects or couples, and in all cases only the living rooms and corridors were monitored, with no invasion into the more private spaces. Despite its fully unsupervised training on data covering both normal and unusual days (days of illness, visits by other people, etc.), the proposed detector distinguished between normal days and illnesses with an average accuracy of 88% and did not misclassify the receptions of guests as anomalies.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pervasive and Mobile Computing - Volume 38, Part 1, July 2017, Pages 166-187
نویسندگان
, , , , , , ,