Embedded Wearable IoT System for Child Safety Based on Hybrid Deep Learning Classification
Notice bibliographique
Résumé
The integration of the Internet of Things (IoT) into everyday life is revolutionizing personal safety and health monitoring.In increasingly busy and distracting urban environment, ensuring child safety exponentially growing to become a serious concern.The objective of this study is to design a wearable IoT system, helping keep track of a child's location and health to support early emergency action.For the child's safety, a simple tracking system app was designed that helps parents set boundaries and receive real time notifications whenever their child leaves the designated area, detected through GPS.To assess health-related risks, the system collects and analyzes seven key physiological and motion signals: acceleration (accel_x, accel_y, accel_z), gyroscopic movement (gyro_x, gyro_y, gyro_z), and heart rate.To improve detection of health anomalies such as minor seizure, a hybrid deep learning framework consisting of convolutional neural networks (CNN) and long short-term memory (LSTM) networks was developed and trained using modified version of the SHAR-100-20 dataset which simulates human activity in individuals with disabilities.A total of 300,000 measurements were sampled from the modified version of the data and divided into 70% for the training and 30% for the testing to train and apply cross validation for evaluation purposes.The proposed system achieved an excellent 99% accuracy in detecting minor seizures.It surpassed other tracking systems by providing better detection rates, greater awareness of what is happening and faster responses.Moreover, the flexible structure is supporting the use in elderly and medical care monitoring, supplying a complete framework for monitoring health and location in an effective way, and offering a comprehensive solution for realtime health and location tracking.
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) | 0,001 | 0,000 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».