Empowering Autonomy at Home: DIY Cognitive Assistance in Smart Homes
Notice bibliographique
Résumé
Since 2001, the DOMUS Laboratory has been developing cognitive orthotics and telemonitoring systems to support aging in place.Using off-the-shelf sensors, these systems collect and analyze data to provide meaningful feedback to older adults, caregivers, and clinicians.Successfully deployed in real homes and care residences, they enhance autonomy for vulnerable seniors and individuals with cognitive impairments.Their success stems from integrating living labs, participatory design, and interdisciplinary collaboration, ensuring relevant user-centered solutions.However, the diversity of users and living environments requires flexible, tailored implementation and assistance strategies.Through all our projects we experienced that smart-home technologies are often complex, time-consuming, and expert-dependent, requiring expertise in computer science, healthcare, and caregiving-a combination that is rarely accessible in one place at the same time.To overcome this challenge, we are developing a do-it-yourself (DIY) approach, empowering non-experts to create and customize their own assistive solutions.By adopting this approach, caregivers and even individuals with cognitive impairments can actively shape more adaptive, effective, and personalized environments.The resulting DIY platform leverages IoT, ontologies, activity recognition, and augmented reality to create intuitive, customizable smart-home solutions.This presentation highlights three cognitive orthotics developed at DOMUS Lab, demonstrating their applications in daily activity monitoring, meal preparation, and nighttime support.Using these as case studies, we outline the core components of our DIY approach to Ambient Assisted Living (AAL) and explore key challenges such as usability, interdisciplinary integration (technology, health, and design), and system adoption within healthcare networks and society.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 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 ».