Daily Routine Recognition from Longitudinal, Real-Life Wearable Sensor Data for the Elderly
Notice bibliographique
Résumé
As our population continues to age, there is a growing need for tailored healthcare solutions for the elderly. Despite the promise of current wearable devices, the effectiveness of these devices in addressing complex healthcare needs, especially in identifying cognitive decline still requires extensive refinement. Analyzing Routines can be a potential solution as it can provide insights into cognitive health, potentially serving as an early indicator of cognitive decline or impairment. This paper presents a framework to identify routine and non-routine behaviors using the CASAS smartwatch dataset, a public real-life longitudinal dataset. This is of particular significance in health monitoring and understanding long-term behavior patterns among the elderly. Our work addresses challenges throughout the entire Routine recognition process, including noisy and incomplete data, class imbalance, reliance on accurate activity labeling, and the preprocessing overhead typically encountered in wearable sensor datasets. The findings of our study suggest that labeling the dataset based on cosine similarity and label propagation results in improved activity recognition accuracy compared to kNN for classes with fewer samples. However, kNN demonstrates the best overall performance, particularly for classes such as Work, Other, Hygiene, where it excels due to its abundance in the dataset. Moreover, our findings emphasize the importance of identifying the most occurring activity sequences, which influences routine identification. This underscores the importance of recognizing and modeling recurring activity patterns, highlighting their significance in the routine identification process. Understanding these patterns can have an impact on the healthcare of the elderly, enabling tailored interventions to support healthy aging at home. In the future, this research aims to contribute to improved monitoring, timely interventions, and ultimately, enhanced quality of life for older adults living independently.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 | 0,001 |
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 ».