A contactless method for recognition of daily living activities for older adults based on ambient assisted living technology
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background During demographic shifts towards an older population, healthcare systems face increased demands, highlighting the need for innovative approaches that facilitate supporting older adults’ well-being and safety. This study aims to demonstrate the effectiveness of zero-effort Ambient Assisted Living technology in recognizing daily activities of older adults via machine learning algorithms by comparing with wearable technology . Methods Conducted in a smart home environment equipped with a comprehensive range of non-intrusive sensors, the study involved 40 participants, during which they were instructed to perform 23 types of predefined daily living activities, organized in five phases. Data from these activities were concurrently captured by both ambient and wearable sensors . Analysis was performed using five machine learning models: K-Nearest Neighbors, Decision Trees , Random Forest , Adaptive Boosting , and Gaussian Naive Bayes. Results Ambient sensors , especially using the AdaBoost model, demonstrated high accuracy (0.964) in activity recognition, significantly outperforming wearable sensors (best accuracy 0.367 with Random Forest). When fusing data from both sensor types, the accuracy slightly decreases to 0.909. Despite spatial overlap challenges, ambient sensors accurately recognize activities across various room settings with accuracies all above 0.950. Feature importance analysis reveals that climatic, electrical, and motion-related features are crucial for model classification . Conclusion This study showcases the efficacy of Ambient Assisted Living technology in recognizing daily indoor activities of older adults. These findings have implications for public health , highlighting Ambient Assisted Living technology's potential to support older adults' independence and well-being, offering a promising direction for future research and application in smart living environments.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle