Blockchain-based Model for Sharing Activities of Daily Living in Healthcare Applications
Notice bibliographique
Résumé
People aged 65 and above are considered to be the fastest-growing population in the world. It is believed that the majority of elderly people will be living alone and hence need to receive health services to ensure their well-being. One promising way is to provide caregivers access to the elderly daily activities (e.g., eating, cleaning, exercising patterns, etc.) through non-intrusive means. Therefore, recognizing and tracking their daily activities play a key role in providing timely health and emergency services that foster better day-to-day care. The solution proposed in this paper is based on analyzing and recognizing the daily activities based on the energy consumption of appliances inside homes. To ensure that elderly people's data are protected and accessible by authorized personnel within the healthcare ecosystem, blockchain technology is used as a means for maintaining and sharing daily activities patterns with healthcare providers. The main challenges of this paper are as follows: (i) How to recognize relationships between appliance usage and daily activities from concurrent streams of smart meter data; and (ii) how to construct profiles of daily activities and upload them to the blockchain system. For addressing these issues, we develop our model based on Bayesian network to recognize daily activities based on the energy consumption of appliances. To ensure that elderly people's data are protected, we use Hyperledger blockchain technology as a trustworthy mechanism for creating profiles, in order to protect data and prevent scams or frauds that might jeopardize people's privacy.
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 | 0,001 | 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 ».