MétaCan
Menu
Retour à la cohorte
Enregistrement W2627049180 · doi:10.2196/mhealth.5773

Understanding Smart Home Sensor Data for Ageing in Place Through Everyday Household Routines: A Mixed Method Case Study

2017· article· en· W2627049180 sur OpenAlexvenueno aff
Yasmin van Kasteren, DanaKai Bradford, Qing Zhang, Mohan Karunanithi, Hang Ding

Notice bibliographique

RevueJMIR mhealth and uhealth · 2017
Typearticle
Langueen
DomaineComputer Science
ThématiqueContext-Aware Activity Recognition Systems
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAging in placeComputer scienceEveryday lifeHome automationHuman–computer interactionInternet privacyPsychologyData scienceGerontologyMedicineTelecommunications

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: An ongoing challenge for smart homes research for aging-in-place is how to make sense of the large amounts of data from in-home sensors to facilitate real-time monitoring and develop reliable alerts. OBJECTIVE: The objective of our study was to explore the usefulness of a routine-based approach for making sense of smart home data for the elderly. METHODS: Maximum variation sampling was used to select three cases for an in-depth mixed methods exploration of the daily routines of three elderly participants in a smart home trial using 180 days of power use and motion sensor data and longitudinal interview data. RESULTS: Sensor data accurately matched self-reported routines. By comparing daily movement data with personal routines, it was possible to identify changes in routine that signaled illness, recovery from bereavement, and gradual deterioration of sleep quality and daily movement. Interview and sensor data also identified changes in routine with variations in temperature and daylight hours. CONCLUSIONS: The findings demonstrated that a routine-based approach makes interpreting sensor data easy, intuitive, and transparent. They highlighted the importance of understanding and accounting for individual differences in preferences for routinization and the influence of the cyclical nature of daily routines, social or cultural rhythms, and seasonal changes in temperature and daylight hours when interpreting information based on sensor data. This research has demonstrated the usefulness of a routine-based approach for making sense of smart home data, which has furthered the understanding of the challenges that need to be addressed in order to make real-time monitoring and effective alerts a reality.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,025
score de la tête « metaresearch » (Gemma)0,023
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,025
Score d'incertitude au seuil0,132

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0250,023
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0040,003
Communication savante0,0030,003
Science ouverte0,0020,004
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,502
Tête enseignante GPT0,461
Écart entre enseignants0,041 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations33
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealthMême sujetContext-Aware Activity Recognition SystemsTravaux en français237 207