Monitoring Indoor Activity of Daily Living Using Thermal Imaging: A Case\n Study
Notice bibliographique
Résumé
Monitoring indoor activities of daily living (ADLs) of a person is neither an\neasy nor an accurate process. It is subjected to dependency on sensor type,\npower supply stability, and connectivity stability without mentioning artifacts\nintroduced by the person himself. Multiple challenges have to be overcome in\nthis field, such as; monitoring the precise spatial location of the person, and\nestimating vital signs like an individuals average temperature. Privacy is\nanother domain of the problem to be thought of with care. Identifying the\npersons posture without a camera is another challenge. Posture identification\nassists in the persons fall detection. Thermal imaging could be a proper\nsolution for most of the mentioned challenges. It provides monitoring both the\npersons average temperature and spatial location while maintaining privacy. In\nthis research, we propose an IoT system for monitoring an indoor ADL using\nthermal sensor array (TSA). Three classes of ADLs are introduced, which are\ndaily activity, sleeping activity and no-activity respectively. Estimating\nperson average temperature using TSAs is introduced as well in this paper.\nResults have shown that the three activity classes can be identified as well as\nthe persons average temperature during day and night. The persons spatial\nlocation can be determined while his/her privacy is maintained as well.\n
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».