The security of vulnerable senior citizens through dynamically sensed signal acquisition
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Traditional signal recognition methods generally use biosensors for signal acquisition. With senior citizens, sensor signal acquisition will be affected by their movements. These signal fluctuations are large, and if the signal area cannot be fixed, it may result in problems such as data loss. The most important issue caused by data loss is the safety for vulnerable seniors. Therefore, here we study abnormal behavior recognition based on dynamic sensing. In this paper, we look to improve the problems that exist in traditional methods. Using the SW‐520D sensor, activity signals of the elderly are first collected. By comparing the received signal strength sets, dynamic sensor data flow of the abnormal behavior for senior citizens can be determined. A multiple linear regression estimation method is used to solve the problem of data loss in dynamic sensor data flow environments. We obtain system parameter thresholds in both area isolation and segmentation using the stochastic resonance method. From this, a direct notch is constructed that enters the dynamic sensor data stream, and the interference component filtering of abnormal behavior signals is processed. The amplitude‐frequency response feature extraction method is used for high‐precision isolation and segmentation of abnormal behavior signal areas such as falls, improving the accuracy of senior behavior signal recognition, and realizing safety monitoring for the elderly. The improved method was used to identify the signals of abnormal behaviors of young people. The minimum recognition error rate was only 2%, the recognition accuracy rate was as high as 98%, and the calculation time was only 19 ms.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle