An overview of Markov Chains for monitoring indoor movements and ambient motion detection
Notice bibliographique
Résumé
Background: In recent years and due to the availability of non-wearable sensing technologies, there has been a widespread interest in developing methods for monitoring the movements of older adults and further estimating any anomalies.Objective: Low-cost motion detection has been gaining particular attention due to its widespread availability, ease of deployment, and inherent property in protecting privacy.In addition, and due to the cost-benefits, it has become an attractive alternative for the low-income sector of society.This paper presents an overview of a monitoring framework and a review of the literature using motion detection sensors.Method: Markov Chains (MC) have been explored by many researchers as a suitable framework for monitoring and estimating sequences of events associated with movements and activities which can further be used as a part of an anomaly detection system in a sensor network.This paper presents an overview of this method and related literature.Results: A brief overview of MC and the related literature with some insights and challenges associated with the potential limitations and future extensions.One of the challenges of utilizing MC is the definition of what can be considered the state of movements and activities and what can be used as a measure of such state.In this context, various extensions of MC have been utilized where the state of the system can not be measured directly and are defined in a form of Hidden Markov Models (HMM).Conclusion: Proper deployment of motion detection sensors and associated MC for monitoring requires an in-depth understanding and co-designing of the system with the family members, care providers, and engineers in order to fully take advantage of such technology.Depending on the number and properties of the selected sensors (such as their effective range and the inherent time delay), particular attention needs to be paid to what can constitute a measurable (observable) state and what can be further defined as a hidden state.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».