Detecting Anomalies in Daily Activity Routines of Older Persons in Single Resident Smart Homes: Proof-of-Concept Study
Notice bibliographique
Résumé
BACKGROUND: One of the main challenges of health monitoring systems is the support of older persons in living independently in their homes and with relatives. Smart homes equipped with internet of things devices can allow older persons to live longer in their homes. Previous surveys used to identify sensor-based data sets in human activity recognition systems have been limited by the use of public data set characteristics, data collected in a controlled environment, and a limited number of older participants. OBJECTIVE: The objective of our study is to build a model that can learn the daily routines of older persons, detect deviations in daily living behavior, and notify these anomalies in near real-time to relatives. METHODS: We extracted features from large-scale sensor data by calculating the time duration and frequency of visits. Anomalies were detected using a parametric statistical approach, unusually short or long durations being detected by estimating the mean (μ) and standard deviation (σ) over hourly time windows (80 to 355 days) for different apartments. The confidence level is at least 75% of the tested values within two (σ) from the mean. An anomaly was triggered where the actual duration was outside the limits of 2 standard deviations (μ-2σ, μ+2σ), activity nonoccurrence, or absence of activity. RESULTS: The patterns detected from sensor data matched the routines self-reported by users. Our system observed approximately 1000 meals and bathroom activities and notifications sent to 9 apartments between July and August 2020. A service evaluation of received notifications showed a positive user experience, an average score of 4 being received on a 1 to 5 Likert-like scale. One was poor, two fair, three good, four very good, and five excellent. Our approach considered more than 75% of the observed meal activities were normal. This figure, in reality, was 93%, normal observed meal activities of all participants falling within 2 standard deviations of the mean. CONCLUSIONS: In this research, we developed, implemented, and evaluated a real-time monitoring system of older participants in an uncontrolled environment, with off-the-shelf sensors and internet of things devices being used in the homes of older persons. We also developed an SMS-based notification service and conducted user evaluations. This service acts as an extension of the health/social care services operated by the municipality of Skellefteå provided to older persons and relatives.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».