Automatically detecting activities of daily living from in-home sensors as indicators of routine behaviour in an older population

要約

目的: NEX プロジェクトは、在宅で自立して暮らす高齢者をサポートする目立たない健康状態のモニタリングを提供する、データ分析と組み合わせた統合モノのインターネット (IoT) システムを開発しました。
「現在」のモニタリングには、各参加者の自動的に検出された一連の日常生活活動 (ADL) の視覚化が含まれます。
ADL の検出は、システムを再トレーニングすることなく、ADL が検出された追加の参加者を組み込むことを可能にするため、{} によって実現されます。
方法: 426 人の参加者による広範なユーザー ニーズと要件の調査、導入のパイロット トライアルと友好的なトライアルを経て、アクション リサーチ サイクル (ARC) トライアルが完了しました。
これには、10 週間にわたって 23 人の参加者が参加し、各自の自宅に約 20 個の IoT センサーが設置されました。
ARC トライアル中、参加者はそれぞれ、自分の家庭内活動を視覚化して提示する、データに基づいた 2 つのブリーフィングに参加しました。
ブリーフィングでは、検出されたアクティビティの精度に関するトレーニング データも収集しました。
次に、センサーからのデータと参加者のフィードバックを組み合わせて相関ルール マイニングを使用して、ADL の自動検出を改善しました。
結果: アソシエーション ルール マイニングを使用して、他の参加者とは独立して各参加者の ADL 範囲を検出し、その後、単一のルール セットを使用して参加者全体の ADL を検出するために使用されました。{各 ADL に対して}。
これにより、トレーニング データを提供しなくても、参加者を追加できるようになります。
結論: 一連の日常生活活動を自動的に検出するためにシステムを再トレーニングする必要なく、追加の参加者を NEX システムに追加できます。

要約(オリジナル)

Objective: The NEX project has developed an integrated Internet of Things (IoT) system coupled with data analytics to offer unobtrusive health and wellness monitoring supporting older adults living independently at home. Monitoring {currently} involves visualising a set of automatically detected activities of daily living (ADLs) for each participant. The detection of ADLs is achieved {} to allow the incorporation of additional participants whose ADLs are detected without re-training the system. Methods: Following an extensive User Needs and Requirements study involving 426 participants, a pilot trial and a friendly trial of the deployment, an Action Research Cycle (ARC) trial was completed. This involved 23 participants over a 10-week period each with c.20 IoT sensors in their homes. During the ARC trial, participants each took part in two data-informed briefings which presented visualisations of their own in-home activities. The briefings also gathered training data on the accuracy of detected activities. Association rule mining was then used on the combination of data from sensors and participant feedback to improve the automatic detection of ADLs. Results: Association rule mining was used to detect a range of ADLs for each participant independently of others and was then used to detect ADLs across participants using a single set of rules {for each ADL}. This allows additional participants to be added without the necessity of them providing training data. Conclusions: Additional participants can be added to the NEX system without the necessity to re-train the system for automatic detection of the set of their activities of daily living.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google