CN113807388B - 基于多元传感器数据的独居老人行为规律发现方法 - Google Patents
基于多元传感器数据的独居老人行为规律发现方法 Download PDFInfo
- Publication number
- CN113807388B CN113807388B CN202110881018.7A CN202110881018A CN113807388B CN 113807388 B CN113807388 B CN 113807388B CN 202110881018 A CN202110881018 A CN 202110881018A CN 113807388 B CN113807388 B CN 113807388B
- Authority
- CN
- China
- Prior art keywords
- distance
- sensor
- data
- behavior
- sensors
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000000694 effects Effects 0.000 claims description 22
- 230000002354 daily effect Effects 0.000 claims description 21
- 230000003203 everyday effect Effects 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000009434 installation Methods 0.000 abstract description 3
- 230000009545 invasion Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003334 potential effect Effects 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- 238000012443 analytical study Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Alarm Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及一种基于多元传感器数据的独居老人行为规律发现方法,包括以下步骤:收集所有传感器的原始数据,对传感器数据进行处理,定义传感器数据之间的联系和计算方式,初始化行为模式;对传感器之间的时间距离进行计算;对传感器所在区域进行划分,将区域限制与最优路径结合起来,对不同传感器之间的距离进行计算;将步骤S2与步骤S3计算得到的传感器距离进行求和计算,得到老人每日行为模式之间的总距离,然后根据总距离进行聚类,发现老人的行为规律。本发明充分利用了智慧家居中广泛采用的多元传感器,与基于视频和基于可穿戴传感器的方法相比,低成本、设备易安装部署、用户不用穿戴、不侵犯用户的隐私。
Description
技术领域
本发明涉及智慧养老技术领域,具体是一种基于多元传感器数据的独居老人行为规律发现方法。
背景技术
中国专利(公开号CN104539726 A,公开日2015年4月22日),名称为“一种用于子女关爱老人行为规律的系统和方法”的发明专利申请,公了开一种人体行为监控技术,通过在智能终端和客户端之间增设云端服务器,智能终端收集老人的行为数据,云端服务器对老人的行为数据进行分析,获取老人的行为规律,客户端对老人的行为规律进行展示。但该系统有两个缺点,使得该系统无法有效的应用老人的居家行为识别中:(1)佩戴不便性,需要老人一直将智能终端戴在身上,对老人的正常生活造成一定的影响,(2)研究的行为类型较少,不能够全面的将老人的行为规律进行展示。
基于视频监控的方法对老人的活动进行识别和行为规律进行发现具有隐私性的问题,而且计算量较大。基于可穿戴传感器的方法需要老人将智能设备穿戴在身上,这对老人的正常生活有一定的影响,十分不方便。物联网条件下基于多元传感器的方法能够以非侵入型的方式部署在老人家中,安装简单,成本较低,但是老人的日常活动较复杂,产生的冗余数据较多。
智慧家居环境中部署了各种各样的多元传感器数据。例如红外运动传感器、水流传感器、压力传感器等可以用来收集老人的日常活动信息,从而对老人的行为规律进行研究。已有的基于多元传感器的行为规律研究通常需要先把老人的日常活动进行识别,然后对每种活动进行规律分析,并没有对老人一天的行为模式进行整体的分析。
发明内容
发明目的:为解决上述技术问题,本发明提供一种基于多元传感器数据的独居老人行为规律发现方法。
技术方案:一种基于多元传感器数据的独居老人行为规律发现方法,包括以下步骤:
S1:收集所有传感器的原始数据,对传感器数据进行处理,定义传感器数据之间的联系和计算方式,初始化行为模式;
S2:对传感器之间的时间距离进行计算;
S3:对传感器所在区域进行划分,将区域限制与最优路径结合起来,对不同传感器之间的距离进行计算;
S4:将步骤S2与步骤S3计算得到的传感器距离进行求和计算,得到老人每日行为模式之间的总距离,然后根据总距离进行聚类,发现老人的行为规律。
进一步地,步骤S1.1:符号定义:
令D={D1,D2,...,DN}为收集的所有传感器的原始数据,N代表天数;
令a={e1,e2,...,em},a为m个传感器事件的序列;
进一步地,步骤S1.2:对老人的日常行为模式初始化一个序列P1:
进一步地,步骤S2采用DTW算法进行传感器之间时间距离的计算,令 和分别代表Di和Dj两天的时间序列,原始时间序列用来提取秒数信息,Sec_fun(*)表示从原始时间戳序列中提取Di天对应的秒数信息的函数,于是时间序列化为:
同样地,对所有的数据进行上述公式的处理来分析行为数据的时间信息之间的关系,处理好之后对任意两天的时间距离进行计算:
任意两天的第一个数据之间的距离为
则下一节点的距离值为
则最后一个结点的距离即为这两天的最短距离此时从第一个节点到最后一个结点的路径有很多条,这里定义为Q条,其中每一条都为Di和Dj两天的规整路径,从Q条路径里面找到代价最小的路径作为最短距离对应的最优路径,即,
Wq=w1,w2,...,WK,
W=Min{Cos(W1),Cos(W2),...,Cos(WQ)}
进一步地,步骤S3根据DTW计算出的最优路径来限制传感器之间的距离,传感器的序列基于动态时间规整所得的最短路径进行抽取,使得时间信息与传感器信息互相对应,令和分别代表Di和Dj两天的传感器数据序列,则传感器之间的距离被最优路径W限制,如下公式所示:
其中Di和Dj两天的传感器距离为由时间序列数据规整之后的路径限制在传感器之上计算得到的,因为时间距离方法得到的最优路径规整了任意两天的潜在活动对应关系,因此,利用最优路径限制,传感器信息序列可以很好的将两天的行为活动对应起来,若是最终的传感器距离较大,即说明两天的活动并不对应或者说两天的行为模式有很大的差别。
进一步地,步骤S4中,首先对原始数据D={D1,D2,...,DN}进行数据清理,删除掉无用的数据和噪声数据,对数据进行处理时,提取每天的秒数时间信息sec,每天在86400s之间循环发现老人相关行为活动的时间序列关系;然后利用DTW算法对老人日常行为数据进行时间距离计算,对于传感器信息,将不同的传感器划分到不同的区域当中,再基于时间距离计算过程中得到的最优路径W限制来计算行为模式之前的传感器距离时间距离与传感器距离整合的总距离DIS(Di,Dj),基于计算出的总距离再使用EM聚类算法进行聚类,设置最大迭代次数MaxIterations=100,验证次数numFolds=10,聚类的类别数numClusters=n;最后输出n种行为规律P={P1,P2,...,Pn},其中Di和Dj为总数据D中取出的任意两天的数据,两者之间距离为dis(Di,Dj),其中和分别为第i,j天的传感器事件发生的数量,dis(Di,Dj)的值越小代表两天之间的距离越小,则两天的行为模式越相似,属于同一种行为规律可能性越大。
有益效果:1、本发明充分利用了智慧家居中广泛采用的多元传感器,与基于视频和基于可穿戴传感器的方法相比,本发明的优势包括低成本、设备易安装部署、用户不用穿戴、以及不侵犯用户的隐私。2、本发明基于多元传感数据之间的时间及区域内在联系的特性,通过处理来自于低成本多元传感器的感知数据实现高效的行为规律发现。
附图说明
图1为本发明的实施步骤示意图;
图2为步骤S1中基于距离计算的行为规律发现过程示意图。
图3为基于传感器不同区域的位置划分示意图。
具体实施方式
下面结合附图对本发明作进一步说明。
本发明的一种基于多元传感器数据的独居老人行为规律发现方法,包括以下步骤:
S1:收集所有传感器的原始数据,对传感器数据进行处理,定义传感器数据之间的联系和计算方式,初始化行为模式;
S2:对传感器之间的时间距离进行计算;
S3:对传感器所在区域进行划分,将区域限制与最优路径结合起来,对不同传感器之间的距离进行计算;
S4:将步骤S2与步骤S3计算得到的传感器距离进行求和计算,得到老人每日行为模式之间的总距离,然后根据总距离进行聚类,发现老人的行为规律。
具体的,步骤S1包括步骤S1.1:符号定义:
令D={D1,D2,...,DN}为收集的所有传感器的原始数据,N代表天数;
令a={e1,e2,...,em},a为m个传感器事件的序列;
定义好以上基本符号以后,开始对数据进行处理。首先将传感器的原始数据中的时间序列转换为时间戳的格式方便提取年月日小时分钟秒的信息,然后以每天86400秒一个循环将时间进行格式转化。对于传感器序列,也对其进行数值化处理,以不同的数值代表不同的传感器以便对数据进行分析研究。
步骤S1.2:对老人的日常行为模式初始化一个序列P1:
其中P1代表一种行为规律。P1是由老人日常活动的隐藏活动序列组成,即由多条传感器事件序列组成。本发明使用设计的距离计算方法对实验数据中每天两两对应的时间距离和传感器距离进行计算,再利用EM聚类算法将两者距离的融合进行聚类,相似的行为模式聚类为一种行为规律。
如图2所示,通过对采集的原始传感器数据进行数据分析处理,计算中各天行为模式的距离,其中包括时间距离和传感器距离。基于距离聚类发现种行为规律。行为规律是由多个隐藏的活动实例组成的,即本发明利用每天包含相关活动的数据进行比较,计算出隐藏的活动序列即日常行为模式之间的距离,距离越小,则日常行为模式属于一种行为规律的可能性越大,之后再利用EM算法进行距离聚类便可以得出两者属于相同的规律P。
步骤S2,采用DTW算法进行传感器之间时间距离的计算,原始时间序列用来提取秒数信息,Sec_fun(*)表示从原始时间戳序列中提取Di天对应的秒数信息的函数,于是时间序列化为:
同样地,对所有的数据进行上述公式的处理来分析行为数据的时间信息之间的关系,处理好之后对任意两天的时间距离进行计算:
任意两天的第一个数据之间的距离为
则下一节点的距离值为
则最后一个结点的距离即为这两天的最短距离此时从第一个节点到最后一个结点的路径有很多条,这里定义为Q条,其中每一条都为Di和Dj两天的规整路径,从Q条路径里面找到代价最小的路径作为最短距离对应的最优路径,即,
Wq=w1,w2,...,WK,
W=Min{Cos(W1),Cos(W2),...,Cos(WQ)}
步骤S3,传感器之间的距离受限于最优路径和空间区域的限制,其中最优路径限制基于步骤S2中规整出来的最优路径来进行研究。空间区域限制基于老人居住的房屋布局情况,因为老人在日常活动中通常会停留在不同的区域一段时间之后再进行其它的活动,例如睡觉活动发生在卧室区域,做饭活动会发生在厨房区域,并且都会在该区域持续一段时间。下面详细介绍这两种限制。
作为一种具体实施方式,如图3所示,根据图3所示传感器不同区域的位置进行划分,设置空间区域限制。其中划分的Area1为卧室区域,Area2为工作区域,Area3为客厅区域,Area4为厨房进餐区域,Area5和Area6为厕所洗漱区域,虽然Area5和Area6都属于洗漱区域,但是所处位置有一定的距离,属于两种不同的活动区域,所以将其分为两个Area。
Area_id | Sensor_ID |
Area1 | MA023,MA020,M022,M021,M019,M018 |
Area2 | MA014,M016,M015,M012,D001 |
Area3 | MA010,MA003,MA010,M011,M004,M002,M001,D002 |
Area4 | M008,M007,M006,M005,D006,D005 |
Area5 | MA009,D003 |
Area6 | MA013,M017 |
表1不同区域的传感器限制
根据DTW计算出的最优路径来限制传感器之间的距离,传感器的序列基于动态时间规整所得的最短路径进行抽取,使得时间信息与传感器信息互相对应,令 和分别代表Di和Dj两天的传感器数据序列,则传感器之间的距离被最优路径W限制,如下公式所示:
其中Di和Dj两天的传感器距离为由时间序列数据规整之后的路径限制在传感器之上计算得到的,因为时间距离方法得到的最优路径规整了任意两天的潜在活动对应关系,因此,利用最优路径限制,传感器信息序列可以很好的将两天的行为活动对应起来,若是最终的传感器距离较大,即说明两天的活动并不对应或者说两天的行为模式有很大的差别。
步骤S4中,首先对原始数据D={D1,D2,...,DN}进行数据清理,删除掉无用的数据和噪声数据,对数据进行处理时,提取每天的秒数时间信息sec,每天在86400s之间循环发现老人相关行为活动的时间序列关系;然后利用DTW算法对老人日常行为数据进行时间距离计算,对于传感器信息,将不同的传感器划分到不同的区域当中,再基于时间距离计算过程中得到的最优路径W限制来计算行为模式之前的传感器距离时间距离与传感器距离整合的总距离DIS(Di,Dj),基于计算出的总距离再使用EM聚类算法进行聚类,设置最大迭代次数MaxIterations=100,验证次数numFolds=10,聚类的类别数numClusters=n;最后输出n种行为规律P={P1,P2,...,Pn},其中Di和Dj为总数据D中取出的任意两天的数据,两者之间距离为dis(Di,Dj),其中和分别为第i,j天的传感器事件发生的数量,dis(Di,Dj)的值越小代表两天之间的距离越小,则两天的行为模式越相似,属于同一种行为规律可能性越大。具体算法如下:
输入:原始数据D={D1,D2,...,DN}
输出:n种日常行为模式P={P1,P2,...,Pn}
删除无用数据和噪声数据进行数据清洗
For i in D.Shape[0]:
将传感器时间转换成秒的值
D.sec[i]=D.DateTime[i].hour*60*60+D.DateTime[i].minute*60+D.DateTime[i].second
For Di in D:
For Dj in D:
For sensorid in SensorID:
划分传感器sensorid到不同的区域Area中
For Di in D:
For Dj in D:
计算第i天Di和第j天Dj之间的总距离DIS(Di,Dj)
For Di in D:
使用EM聚类算法对老人一段时间的距离进行聚类分析
设置EM聚类算法的参数
MaxIterations=100,numFolds=10,numClusters=n将总距离DIS(Di,Dj)注入到EM聚类算法中来发现n种日常行为规律P。
Claims (6)
1.一种基于多元传感器数据的独居老人行为规律发现方法,其特征在于,包括以下步骤:
S1:收集所有传感器的原始数据,对传感器数据进行处理,定义传感器数据之间的联系和计算方式,初始化行为模式;
S2:利用DTW算法对任意两天传感器时间序列之间的时间距离进行计算,并得到最优路径;
S3:对传感器所在区域进行划分,将区域限制与最优路径结合起来,对所述两天传感器序列之间的距离进行计算;
S4:将步骤S2与步骤S3计算得到的传感器距离进行求和计算,得到老人每日行为模式之间的总距离,然后根据总距离进行聚类,发现老人的行为规律。
4.根据权利要求1所述的基于多元传感器数据的独居老人行为规律发现方法,其特征在于:
步骤S2采用DTW算法进行传感器之间时间距离的计算,令和分别代表Di和Dj两天的时间序列,原始时间序列用来提取秒数信息,Sec_fun(*)表示从原始时间戳序列中提取Di天对应的秒数信息的函数,于是时间序列化为:
同样地,对所有的数据进行上述公式的处理来分析行为数据的时间信息之间的关系,处理好之后对任意两天的时间距离进行计算:
任意两天的第一个数据之间的距离为
则下一节点的距离值为
则最后一个结点的距离即为这两天的最短距离此时从第一个节点到最后一个结点的路径有很多条,这里定义为Q条,其中每一条都为Di和Dj两天的规整路径,从Q条路径里面找到代价最小的路径作为最短距离对应的最优路径,即,
Wq=w1,w2,…,wK,
W=Min{Cos(W1),Cos(W2),...,Cos(WQ)}
6.根据权利要求2所述的基于多元传感器数据的独居老人行为规律发现方法,其特征在于:步骤S4中,首先对原始数据D={D1,D2,...,DN}进行数据清理,删除掉无用的数据和噪声数据,对数据进行处理时,提取每天的秒数时间信息sec,每天在86400s之间循环发现老人相关行为活动的时间序列关系;然后利用DTW算法对老人日常行为数据进行时间距离计算,对于传感器信息,将不同的传感器划分到不同的区域当中,再基于时间距离计算过程中得到的最优路径W限制来计算行为模式之前的传感器距离时间距离与传感器距离整合的总距离DIS(Di,Dj),基于计算出的总距离再使用EM聚类算法进行聚类,设置最大迭代次数MaxIterations=100,验证次数numFolds=10,聚类的类别数numClusters=n;最后输出n种行为规律P={P1,P2,...,Pn},其中Di和Dj为总数据D中取出的任意两天的数据,两者之间距离为dis(Di,Dj),其中和分别为第i,j天的传感器事件发生的数量,dis(Di,Dj)的值越小代表两天之间的距离越小,则两天的行为模式越相似,属于同一种行为规律可能性越大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110881018.7A CN113807388B (zh) | 2021-08-02 | 2021-08-02 | 基于多元传感器数据的独居老人行为规律发现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110881018.7A CN113807388B (zh) | 2021-08-02 | 2021-08-02 | 基于多元传感器数据的独居老人行为规律发现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113807388A CN113807388A (zh) | 2021-12-17 |
CN113807388B true CN113807388B (zh) | 2022-10-28 |
Family
ID=78893228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110881018.7A Active CN113807388B (zh) | 2021-08-02 | 2021-08-02 | 基于多元传感器数据的独居老人行为规律发现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807388B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1564219A (zh) * | 2004-03-25 | 2005-01-12 | 浙江工业大学 | 独居老人家庭安保装置 |
WO2016035464A1 (ja) * | 2014-09-04 | 2016-03-10 | ソニー株式会社 | 解析方法、システムおよび解析装置 |
CN108417276A (zh) * | 2018-03-08 | 2018-08-17 | 华东师范大学 | 一种面向健康养老驿站的实时照护智能监测方法 |
CN109697829A (zh) * | 2017-10-23 | 2019-04-30 | 溥恩睎 | 独居住房管控装置 |
CN112731884A (zh) * | 2020-12-29 | 2021-04-30 | 四川德尔博睿科技股份有限公司 | 一种智能居家养老室内食住行监测系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10896756B2 (en) * | 2015-04-21 | 2021-01-19 | Washington State University | Environmental sensor-based cognitive assessment |
EP3498559B1 (en) * | 2017-12-14 | 2020-09-16 | Marelli Europe S.p.A. | Method for recognizing the driving style of a driver of a land vehicle, and corresponding apparatus |
AU2019101183A4 (en) * | 2019-10-02 | 2020-01-16 | Han, Yining MISS | Feature Extraction and Fusion for Industrial Data |
-
2021
- 2021-08-02 CN CN202110881018.7A patent/CN113807388B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1564219A (zh) * | 2004-03-25 | 2005-01-12 | 浙江工业大学 | 独居老人家庭安保装置 |
WO2016035464A1 (ja) * | 2014-09-04 | 2016-03-10 | ソニー株式会社 | 解析方法、システムおよび解析装置 |
CN109697829A (zh) * | 2017-10-23 | 2019-04-30 | 溥恩睎 | 独居住房管控装置 |
CN108417276A (zh) * | 2018-03-08 | 2018-08-17 | 华东师范大学 | 一种面向健康养老驿站的实时照护智能监测方法 |
CN112731884A (zh) * | 2020-12-29 | 2021-04-30 | 四川德尔博睿科技股份有限公司 | 一种智能居家养老室内食住行监测系统 |
Non-Patent Citations (4)
Title |
---|
"Extracting patterns of behavior from a network of binary sensors";Kevin Bing 等;《J Ambient Intell Human Comput》;20141111;第16卷(第01期);全文 * |
"human activity recognition using DTW algorithm";Mohshi Masnad 等;《2019 IEEE Region 10 Symposium (TENSYMP)》;20190709;全文 * |
"基于非穿戴式传感器的多用户室内活动识别研究";张楠;《中国优秀硕士学位论文全文数据库信息科技辑》;20180215(第02期);全文 * |
"轨迹数据相似性查询及其应用研究";龚旭东;《中国优秀博士学位论文全文数据库信息科技辑》;20150915(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113807388A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huo et al. | Entropy measures in machine fault diagnosis: Insights and applications | |
Dahmen et al. | Smart secure homes: a survey of smart home technologies that sense, assess, and respond to security threats | |
Bayat et al. | A study on human activity recognition using accelerometer data from smartphones | |
Li et al. | Multi-scale entropy analysis of Mississippi River flow | |
CN109009017B (zh) | 一种智能健康监测系统及其数据处理方法 | |
Gao et al. | A multiscale theory for the dynamical evolution of sentiment in novels | |
EP3367883A1 (en) | Monitoring activities of daily living of a person | |
CN110197235B (zh) | 一种基于独特性注意力机制的人体活动识别方法 | |
Emi et al. | SARRIMA: Smart ADL recognizer and resident identifier in multi-resident accommodations | |
Robben et al. | Delta features from ambient sensor data are good predictors of change in functional health | |
Forkan et al. | An Internet-of-Things solution to assist independent living and social connectedness in elderly | |
Srinivasan et al. | Activity recognition using actigraph sensor | |
Zhong et al. | Multi-occupancy fall detection using non-invasive thermal vision sensor | |
CN113807388B (zh) | 基于多元传感器数据的独居老人行为规律发现方法 | |
Jalali et al. | Building health persona from personal data streams. | |
Mohan et al. | Assessment of daily routine uniformity in a smart home environment using hierarchical clustering | |
Guo et al. | The detection of freezing of gait in Parkinson’s disease using asymmetric basis function TV-ARMA time–frequency spectral estimation method | |
Soulas et al. | Monitoring the habits of elderly people through data mining from home automation devices data | |
Noury et al. | Smart Sweet Home… A Pervasive Environment for Sensing our Daily Activity? | |
Howedi et al. | A multi-scale fuzzy entropy measure for anomaly detection in activities of daily living | |
Shahid et al. | Outlier Detection in IoT data for Elderly Care in Smart Homes | |
Guo et al. | A weak monotonicity based muscle fatigue detection algorithm for a short-duration poor posture using sEMG measurements | |
Mukhopadhyay et al. | Are technologies assisted homes safer for the elderly? | |
Chawathe | Recognizing activities of daily living using binary sensors | |
Leong et al. | Detection of anomalies in activity patterns of lone occupants from electricity usage data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |