Developing an IoT bathroom speaker for elderly safety
Notice bibliographique
Résumé
This report presents a secure and autonomous solution for detecting falls in bathroom environments, addressing privacy concerns associated with traditional video surveillance systems. The proposed approach integrates machine learning and artificial intelligence algorithms into edge processing devices, enabling real-time decision- making at the network's edge. The system utilizes advanced audio classification models to identify conscious occupants expressing fear when calling for help, complemented by obscured thermal imaging techniques to detect unconscious fallen individuals. The audio classifier employs a Deep Neural Network (DNN) architecture trained on the Toronto Emotional Speech Data Set (TESS), achieving an overall accuracy of 88.22% in recognizing emotions from vocalizations. The thermal image classifier analyses temperature differentials between image pixels, correctly identifying fallen postures with 96% recall and 38% precision when the optimal temperature threshold is applied. Extensive testing and evaluation of the system's performance are conducted, including the construction of a thermal image dataset and the incorporation of background bathroom noise into the audio classification model, reducing the fear detection accuracy to 72.73%. The report provides a comprehensive overview of the system's methodology, hardware and software architectures, data collection and training processes, and presents the results obtained from various test scenarios. Recommendations for future work and potential enhancements are also discussed, highlighting the system's potential for widespread adoption and its contribution to enhancing elderly safety in bathroom environments while prioritizing data privacy and security.
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 | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,007 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».