Towards the Development of an Adaptive System for Detecting Anomaly in Human Activities
Notice bibliographique
Résumé
As the global population of older adults increases, measures are put in place to monitor their well-being, promote independent living and improve their quality of life. Among those measures are in-house monitoring system that allows for the collection of data in a non-invasive form to identify the activities of daily living of the older adults and detect abnormalities in their daily routines. Abnormalities can be an early sign of health decline or other related challenges, thereby informing the family and carers of the need for intervention. However, existing anomaly detection systems are unable to adapt to the dynamic nature of human activities which are subject to changes due to different factors, resulting in an increased false prediction rate. To address this deficiency, the anomaly detection system must be adaptive to the changes in human routines as well as factors leading to the changes. This paper presents a consolidation of the achievements recorded in the development of an adaptive anomaly detection system. This system consists of a data collection and interpretation component, anomaly detection component and a feedback component. An ensemble of novelty detection model based on a consensus approach is utilised for the anomaly detection while the feedback component is based on a gesture recognition model implemented on an assistive robot platform. The results of our proposed approach for anomaly detection and gesture recognition performs better when compared to other existing approaches. The obtained results for the different system components show the potential of the system for in-house monitoring of older adults.
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 | 0,001 | 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 | 0,001 |
| 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 ».