Application of Modified PageRank Algorithm for Anomaly Detection in Movements of Older Adults
Notice bibliographique
Résumé
It is a well-known statistic that the percentage of our older adult population will globally surpass the other age groups. A majority of the elderly would still prefer to keep an active life style. In support of this life style, various monitoring systems are being designed and deployed to have a seamless integration with the daily living activities of the older adults while preserving various levels of their privacy. Motion tracking is one of these health monitoring systems. When properly designed, deployed, integrated, and analyzed, they can be used to assist in determining some onsets of anomalies in the health of elderly at various levels of their Movements and Activities of Daily Living (MADL). This paper explores how the framework of the PageRank algorithm can be extended for monitoring the global movement patterns of older adults at their place of residence. Through utilization of an existing dataset, the paper shows how the movement patterns between various rooms can be represented as a directed graph with weighted edges. To demonstrate how PageRank can be utilized, a base graph representing a normal pattern can be defined as what can be used for further anomaly detection (e.g., at some instances of observation the measured movement pattern deviates from what is previously defined as a normal pattern). It is shown how the PageRank algorithm can detect simulated change in the pattern of motion when compared with the base-line normal pattern. This feature can offer a practical approach for detecting anomalies in movement patterns associated with older adults in their own place of residence and in support of aging in place paradigm.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».