Non‐imaging Passive Infrared Matrix Bed Occupancy Sensor for Persons with Dementia
Notice bibliographique
Résumé
BACKGROUND: 65% of persons with dementia (PWD) experience disturbed sleep, often exiting their beds up to 14 times per night, impacting caregivers' well-being. The unpredictability is a leading cause of institutionalization in Taiwan. Reliable sleep monitoring can help caregivers rest better, reducing their stress. Current sensors include mechanical pressure sensors and cameras. Pressure sensors offer privacy but require mattress contact. Since PWDs sleep may sleep in unusual postures, comprehensive coverage while necessary, is costly and may be uncomfortable. Cameras, while contact-free, raise privacy issues and don't work well with heavy blankets. We developed a bed occupancy sensor using a passive infrared matrix sensor that maintains privacy, costs less than $100/unit, and works with blankets, quilts, and unusual sleeping positions of PWD. METHOD: An Infrared matrix and a motion sensor on the ceiling monitor the room. Standard deviations of bed, floor and motion data is processed by a microcontroller, which determines if the PWD is in bed (sleeping soundly or fitfully), sitting on the side, beside the bed, or has left the room. RESULTS: The system was tested in the lab, detecting bed entries and exits under various conditions with < 5s response time, using a commercial bed pressure sensor as a benchmark. It was also deployed for 136 days in a real-life setting in Taiwan, where temperatures ranged from 8°C to 35°C. CONCLUSION: An ambient temperature insensitive, low-cost cost, privacy-preserving, non-imaging remote bed occupancy sensor, and algorithm has been developed with < 5s response time.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».