A Comparative Study of Sensor Quantity and Data Granularity in AAL Systems for Activity Recognition
Notice bibliographique
Résumé
Abstract As populations age, the demand for non-intrusive elderly care solutions increases, highlighting the need for efficient AAL systems. Current research predominantly focuses on wearable sensors at high data frequencies. There is a critical gap in research in understanding the effectiveness of model performance using ambient sensors operating at varied granularities and with varied numbers of sensors. This study addresses this gap by investigating how sensor quantity and data frequency affect an artificial intelligence model’s ability to detect various activities of daily living. The methodology employs a quantitative, experimental design to systematically assess the performance of artificial intelligence models across sensor quantity and data frequencies. This assessment will be conducted through a multi-study approach involving different populations to ensure robust and generalizable findings. Each model’s efficacy will be evaluated using 5-fold cross-validation and GridSearchCV for rigorous hyperparameter tuning, employing diverse data aggregation and imputations techniques to maintain comprehensive analysis integrity. The primary goal of this research is to determine the optimal data granularity and number of sensors that maximize AI models’ ability to detect daily living activities while minimizing resource demands, thereby enhancing the sustainability and scalability of AAL systems. This work aims to advance the field of ambient sensing in elderly care, offering significant implications for designing and implementing future AAL technologies and potentially improving the quality of life for the elderly population. Key messages • The study explores the optimal configuration of data granularity and sensor quantity to maximize AI model efficiency in detecting activities of daily living among older adults. • The study investigates the impact of data frequency and sensor count on AI model performance in detecting daily activities, aiming to optimize Ambient Assisted Living systems for the elderly.
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 | 0,007 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».