医疗保健是人类生活的重要方面。大流行后，在医疗保健中使用技术的流形增加了。文献中提出的基于物联网的系统和设备可以帮助老年人，儿童和成人面临/经历健康问题。本文详尽地回顾了39个基于可穿戴的数据集，这些数据集可用于评估系统以识别日常生活和跌倒活动。使用五种机器学习方法，即逻辑回归，线性判别分析，K-Nearest邻居，决策树和幼稚的贝叶斯对SIFFALL数据集进行比较分析。数据集以两种方式进行修改，首先使用数据集中存在的所有属性，并以二进制形式标记。第二，计算三个轴（x，y，z）的三个轴（x，y，z）的幅度，然后计算出用于标签属性的实验。实验是对一个受试者，十个受试者和所有受试者进行的，并在准确性，精度和召回方面进行比较。从这项研究中获得的结果证明，KNN在准确性，精度和召回方面胜过其他机器学习方法。还可以得出结论，数据个性化提高了准确性。
translated by 谷歌翻译
步行是人类陆地运动的最常见模式之一。步行对于人类进行大多数日常活动至关重要。当一个人走路时，其中有一个模式，被称为步态。步态分析用于体育和医疗保健。我们可以以不同的方式分析该步态，例如使用监视摄像机捕获的视频或在实验室环境中的深度图像摄像机。它也可以通过可穿戴传感器识别。例如，加速度计，力传感器，陀螺仪，柔性旋转仪，磁电阻传感器，电磁跟踪系统，力传感器和肌电图（EMG）。通过这些传感器进行分析需要实验室条件，否则用户必须佩戴这些传感器。为了检测人的步态作用异常，我们需要分别合并传感器。我们可以在发现后通过异常步态知道自己的健康状况。了解常规的步态与异常步态可能会使用智能可穿戴技术对受试者的健康状况有所了解。因此，在本文中，我们提出了一种通过智能手机传感器分析异常步态的方法。尽管如今，大多数人都使用了智能手机和智能手表等智能设备。因此，我们可以使用这些智能可穿戴设备的传感器来追踪他们的步态。
translated by 谷歌翻译
堕落，特别是在老年人身上，是照顾和监测的重要问题。有很多研究专注于坠落检测。然而，从我们的调查中，仍然没有研究表明前秋季活动，我们认为他们与秋季强度有着强烈的相关性。本研究的目的是开发一个秋季警报系统，也识别出前秋季活动。首先，我们想找到一个合适的位置来将传感器连接到身体。我们创建了多点体内设备以收集各种活动数据。我们使用该数据集培训5种不同的分类模型。我们选择了XGBoost分类模型，用于检测前落下的活动和胸部位置，以便从检测精度的比较中用于坠落检测。然后，我们测试了3个现有的秋季检测阈值算法以首先检测跌倒并落在膝盖上，并在我们的系统中选择了Chaitep和Chawachat [3]的三相阈值算法。从实验中发现，下降检测精度为88.91％，落后于其膝盖首先检测精度为91.25％，检测的平均秋季活动的准确性为86.25％。虽然我们使用年轻人的活动数据集（18-49岁），但我们相信该系统可以开发出来以监测秋季前的活动，特别是在老年人，使得护理人员可以更好地管理这种情况。
translated by 谷歌翻译
跌倒在不断增加的全球老龄化人口中非常普遍，可能会对他们的健康，福祉和生活质量产生各种负面影响，包括限制他们进行日常生活活动（ADL）的能力，这对于这对于对此至关重要，这对一个人的寄托。跌倒期间的及时协助是非常必要的，这涉及跟踪老年人在与ADL相关的多样化导航模式中的室内位置，以检测跌倒的精确位置。随着全球护理人员人数的减少，重要的是，智能生活环境的未来可以在ADL期间发现下降，同时能够跟踪老年人在现实世界中的室内位置。为了应对这些挑战，这项工作为环境辅助生活系统提出了一种具有成本效益和简单的设计范式，该系统可以在ADL期间捕获用户行为的多模式组成部分，这是在现实世界中同时以现实世界的方式执行秋季检测和室内定位所必需的。 。提出了来自现实世界实验的概念证明，以维护系统的有效工作。还提出了两项与先前作品的比较研究的发现，以维护这项工作的新颖性。第一个比较研究表明，在其软件设计和硬件设计的有效性方面，提出的系统在室内定位和跌倒检测领域中如何优于先前的验证领域。第二项比较研究表明，与这些领域的先前作品相比，该系统的开发成本最少，这些领域涉及下划线系统的现实开发，从而维护其具有成本效益的性质。
translated by 谷歌翻译
人们的个人卫生习惯在每日生活方式中照顾身体和健康的状况。保持良好的卫生习惯不仅减少了患疾病的机会，而且还可以降低社区中传播疾病的风险。鉴于目前的大流行，每天的习惯，例如洗手或定期淋浴，在人们中至关重要，尤其是对于单独生活在家里或辅助生活设施中的老年人。本文提出了一个新颖的非侵入性框架，用于使用我们采用机器学习技术的振动传感器监测人卫生。该方法基于地球通传感器，数字化器和实用外壳中具有成本效益的计算机板的组合。监测日常卫生常规可能有助于医疗保健专业人员积极主动，而不是反应性，以识别和控制社区内潜在暴发的传播。实验结果表明，将支持向量机（SVM）用于二元分类，在不同卫生习惯的分类中表现出约95％的有希望的准确性。此外，基于树的分类器（随机福雷斯特和决策树）通过实现最高精度（100％）优于其他模型，这意味着可以使用振动和非侵入性传感器对卫生事件进行分类，以监测卫生活动。
translated by 谷歌翻译
由于照顾不断增长的老年人口的医疗和财务需求，对跌倒的及时可靠发现是一个大型且快速增长的研究领域。在过去的20年中，高质量硬件（高质量传感器和AI微芯片）和软件（机器学习算法）技术的可用性通过为开发人员提供开发此类系统的功能，从而成为这项研究的催化剂。这项研究开发了多个应用组件，以研究秋季检测系统的发展挑战和选择，并为未来的研究提供材料。使用此方法开发的智能应用程序通过秋季检测模型实验和模型移动部署的结果验证。总体上表现最好的模型是标准化的RESNET152，并带有2S窗口尺寸的调整数据集，可实现92.8％的AUC，7.28％的灵敏度和98.33％的特异性。鉴于这些结果很明显，加速度计和心电图传感器对秋季检测有益，并允许跌倒和其他活动之间的歧视。由于所得数据集中确定的弱点，这项研究为改进的空间留下了很大的改进空间。这些改进包括在跌落的临界阶段使用标签协议，增加数据集样品的数量，改善测试主题表示形式，并通过频域预处理进行实验。
translated by 谷歌翻译
在智能医疗保健中，人类活动识别（Har）被认为是传感器读数的普遍计算中的有效模型。家庭或社区中的环境辅助生活（AAL）有助于人民提供独立的护理和增强的生活质量。然而，许多AAL模型使用包括计算成本和系统复杂性的许多因素来限制。此外，由于其应用，HAR概念具有更多相关性。因此，本文旨在使用深度学习来实现来自智能传感器收集的数据，该数据在UC IRVINE机器学习存储库（UCI）中公开提供。所提出的模型涉及三个过程：（1）数据收集，（b）最佳特征选择，（c）识别。从基准存储库收集的数据最初遵循最佳特征选择，有助于选择最重要的功能。所提出的最佳特征选择是基于一种名为碰撞体优化（CBO）的新的元启发式算法。通过识别精度导出的目标函数用于完成最佳特征选择。这里，被称为经常性神经网络（RNN）的深度学习模型用于活动识别。相关基准数据集的提出模型优于现有的学习方法，与传统模型相比提供高性能。
translated by 谷歌翻译
医学事物互联网（IOMT）允许使用传感器收集生理数据，然后将其传输到远程服务器，这使医生和卫生专业人员可以连续，永久地分析这些数据，并在早期阶段检测疾病。但是，使用无线通信传输数据将其暴露于网络攻击中，并且该数据的敏感和私人性质可能代表了攻击者的主要兴趣。在存储和计算能力有限的设备上使用传统的安全方法无效。另一方面，使用机器学习进行入侵检测可以对IOMT系统的要求提供适应性的安全响应。在这种情况下，对基于机器学习（ML）的入侵检测系统如何解决IOMT系统中的安全性和隐私问题的全面调查。为此，提供了IOMT的通用三层体系结构以及IOMT系统的安全要求。然后，出现了可能影响IOMT安全性的各种威胁，并确定基于ML的每个解决方案中使用的优势，缺点，方法和数据集。最后，讨论了在IOMT的每一层中应用ML的一些挑战和局限性，这些挑战和局限性可以用作未来的研究方向。
translated by 谷歌翻译
随着越来越多的长者独自生活，从远处提供护理就成为了迫切的需求，尤其是为了安全。当发生异常行为或异常活动时，实时监测和行动识别对于及时提高警觉至关重要。尽管可穿戴传感器被广泛认为是有前途的解决方案，但高度取决于用户的能力和意愿，使其效率低下。相比之下，通过非接触式光学相机收集的视频流提供了更丰富的信息，并释放了老年人的负担。在本文中，利用独立的神经网络（INDRNN），我们提出了一种基于轻量级人类行动识别（HAR）技术的新型实时老年人监测高级安全（REMS）。使用捕获的骨架图像，REMS方案能够识别异常行为或动作并保留用户的隐私。为了获得高精度，使用多个数据库对HAR模块进行了训练和微调。一项广泛的实验研究验证了REMS系统可以准确，及时执行动作识别。 REMS作为保存隐私的老年安全监控系统实现了设计目标，并具有在各种智能监控系统中采用的潜力。
translated by 谷歌翻译
了解人类行为是一项重要的任务，并且在许多领域（例如针对性的广告，健康分析，安全和娱乐等）都有应用。为此，设计活动识别系统（AR）很重要。但是，由于每个人都可以具有不同的行为，因此理解和分析共同模式成为一项艰巨的任务。由于现代世界中的每个人都很容易获得智能手机，因此使用它们来跟踪人类活动变得可能是可能的。在本文中，我们通过构建Android移动应用程序的Android智能手机的加速度计，磁力计和陀螺仪传感器提取了不同的人类活动。使用不同的社交媒体应用程序，例如Facebook，Instagram，WhatsApp和Twitter，我们提取了原始传感器值以及$ 29 $主题的属性及其属性（类标签），例如年龄，性别，左/右/右/双手的应用使用情况。我们从原始信号中提取功能，并使用它们使用不同的机器学习（ML）算法进行分类。使用统计分析，我们显示了不同特征对类标签预测的重要性。最后，我们在数据上使用训练有素的ML模型来从UCI存储库中众所周知的活动识别数据中提取未知功能，该数据突出了使用ML模型的隐私漏洞的潜力。这种安全分析可以帮助研究人员将来采取适当的步骤来保护人类受试者的隐私。
translated by 谷歌翻译
全球2019百万人被感染，450万失去了持续的Covid-19大流行病。直到疫苗变得广泛的可用，预防措施和安全措施，如戴着面具，身体疏远，避免面对面触摸是一些抑制病毒传播的主要手段。脸部触摸是一种强迫性的人Begvior，在不进行持续派生的情况下，不能防止，即使那么它是不可避免的。为了解决这个问题，我们设计了一种基于SmartWatch的解决方案，Covidalert，利用了随机森林算法，从SmartWatch训练了加速度计和陀螺数据，以检测到面部的手动转换，并向用户发送快速触觉警报。 Covidalert是高能量的，因为它使用STA / LTA算法作为网守，在用户处于非活动状态时缩短手表上随机林模型的使用。我们的系统的整体准确性为88.4％，具有低假阴性和误报。我们还通过在商业化石Gen 5 Smartwatch上实现了系统的活力。
translated by 谷歌翻译
人体步态是指不仅代表活动能力的每日运动，而且还可以用人类观察者或计算机来识别步行者。最近的研究表明，步态甚至传达了有关沃克情绪的信息。不同情绪状态中的个体可能显示出不同的步态模式。各种情绪和步态模式之间的映射为自动情绪识别提供了新的来源。与传统的情绪检测生物识别技术（例如面部表达，言语和生理参数）相比，步态是可以观察到的，更难以模仿，并且需要从该主题中进行较少的合作。这些优势使步态成为情感检测的有前途的来源。本文回顾了有关基于步态的情绪检测的当前研究，尤其是关于步态参数如何受到不同情绪状态的影响以及如何通过不同的步态模式识别情绪状态的研究。我们专注于情感识别过程中应用的详细方法和技术：数据收集，预处理和分类。最后，我们讨论了使用智能计算和大数据的最先进技术的状态来讨论高效有效的基于步态的情感识别的可能发展。
translated by 谷歌翻译
人体肢体运动跟踪和识别在医疗康复训练，下肢辅助，截肢者的假肢设计，辅助机器人的反馈控制等中起着重要作用。轻质可穿戴的传感器，包括惯性传感器，表面肌电图传感器以及柔性应变/压力，柔性应变/压力，有望成为下一代人类运动捕获装置。本文中，我们提供了一种无线可穿戴设备，该设备由16通道柔性海绵的压力传感器阵列组成，通过检测由小腿胃gastrocnemius肌肉作用引起的人类皮肤上的轮廓来识别各种人类下肢运动。每个感应元件都是薄碳纳米管/聚二甲基硅氧烷纳米复合材料的圆形多孔结构，直径为4 mm，厚度约为400 {\ mu} m。招募了十个人类受试者，以执行十个不同的下肢运动，同时佩戴开发设备。用支持向量机方法的运动分类结果显示，所有十项测试的动作的宏记录约为97.3％。这项工作证明了具有下肢运动识别应用的便携式可穿戴肌肉活动检测装置，可以在辅助机器人控制，医疗保健，体育监测等中使用该设备。
translated by 谷歌翻译
对医疗保健的物联网设备的采用越来越多，使研究人员能够使用这些设备生成的所有数据来构建情报。监测和诊断健康一直是这种设备有益的两个最常见的情况。最初，实现高预测准确性是首要任务，但是重点已逐渐转移到效率和更高的吞吐量上，并以分布式方式处理这些设备的数据已被证明可以帮助实现这两者。由于机器学习领域具有众多最先进的算法，因此确定在不同情况下表现最佳的算法是一个挑战。在本文献综述中，我们探索了由选定研究的作者测试的分布式机器学习算法，并确定了在每个医疗保健方案中达到最佳预测准确性的分布式机器学习算法。虽然没有算法始终执行，但随机森林在一些研究中表现最好。这可能是对IOMT数据协作机器学习的未来研究的好起点。
translated by 谷歌翻译
贫困的休息习惯已被鉴定为肌肉骨骼疾病的危险因素，尤其是老年人，残疾人，办公室工人。在目前的计算机化世界中，即使在参与休闲或工作活动时，人们也倾向于花费大部分时间坐在电脑桌前。这可能导致脊柱疼痛和相关问题。因此，一种提醒人们对休息习惯的手段，并为逆损提供建议，如体育锻炼，这是重要的。由于大多数作品侧重于常设姿势，坐姿的姿势识别并没有受到足够的关注。可穿戴传感器，压力或力传感器，视频和图像用于文献中的姿势识别。本研究的目的是通过分析从座椅和靠背的32个压力传感器的椅子上的椅子收集的数据来构建机器学习模型。模型是使用五种算法建造的：随机森林（RF），高斯NA \“IVE Bayes，Logistic回归，支持向量机和深神经网络（DNN）。使用KFOLD交叉验证技术进行评估所有模型。本文提出了实验使用两种单独的数据集，受控和现实进行，并讨论在六个坐姿分类的结果。在受控和现实数据集中分别实现了98％和97％的平均分类精度。
translated by 谷歌翻译
本文提出了一个多功能的跨学科框架，为个性化的环境辅助生活做出了四项科学贡献，其特定重点是满足智能生活环境未来各种衰老人群的不同和动态需求。首先，它提出了一种基于概率推理的数学方法，以对这些环境中多个用户的用户多样性产生的任何活动建模所有可能的用户交互形式。其次，它提出了一种系统，该系统将这种方法与机器学习方法一起使用，以建模单个用户配置文件和特定用户的用户交互，以检测每个特定用户的动态室内位置。第三，为了满足开发高度准确的室内本地化系统以增加信任，依赖和无缝的用户接受，该框架引入了一种新颖的方法，其中两种增强方法梯度增强和Adaboost算法都集成并用于基于决策树的基于决策树学习模型以执行室内定位。第四，该框架引入了两个新型功能，以在检测每个用户的特定地点的位置以及跟踪特定用户是否位于基于多层室内的特定空间区域内还是外部，以提供室内本地化的语义上下文。环境。这些新型框架的新功能是在与本地化相关的大数据数据集中测试的，这些数据集从18个不同的用户收集的数据集中，这些用户在3个建筑物中导航，该建筑物由5层和254个室内空间区域组成。结果表明，与对普通用户建模的传统方法相比，对每个特定用户建模的个性化AAL的这种室内定位方法始终达到更高的准确性。
translated by 谷歌翻译
在全球范围内，有实质性的未满足需要有效地诊断各种疾病。不同疾病机制的复杂性和患者人群的潜在症状具有巨大挑战，以发展早期诊断工具和有效治疗。机器学习（ML），人工智能（AI）区域，使研究人员，医师和患者能够解决这些问题的一些问题。基于相关研究，本综述解释了如何使用机器学习（ML）和深度学习（DL）来帮助早期识别许多疾病。首先，使用来自Scopus和Science（WOS）数据库的数据来给予所述出版物的生物计量研究。对1216个出版物的生物计量研究进行了确定，以确定最多产的作者，国家，组织和最引用的文章。此次审查总结了基于机器学习的疾病诊断（MLBDD）的最新趋势和方法，考虑到以下因素：算法，疾病类型，数据类型，应用和评估指标。最后，该文件突出了关键结果，并向未来的未来趋势和机遇提供了解。
translated by 谷歌翻译
医学互联网是最近在医学方面的技术进步，对提供对健康指标的实时监控非常有帮助。本文提出了一种无创的物联网系统，该系统跟踪患者的情绪，尤其是患有自闭症谱系障碍的情绪。通过一些负担得起的传感器和云计算服务，对个人的心率进行监测和分析，以研究不同情绪每分钟汗水和心跳的变化的影响。在个人的正常休息条件下，建议的系统可以使用机器学习算法检测正确的情绪，其精度最高为92％。拟议方法的结果与医学物联网中最先进的解决方案相当。
translated by 谷歌翻译
人类堕落是非常关键的健康问题之一，尤其是对于长老和残疾人而言。在全球范围内，老年人口的数量正在稳步增加。因此，人类的跌倒发现已成为为这些人辅助生活的有效技术。为了辅助生活，大量使用了深度学习和计算机视觉。在这篇评论文章中，我们讨论了基于深度学习（DL）的最先进的非侵入性（基于视觉的）秋季检测技术。我们还提出了有关秋季检测基准数据集的调查。为了清楚理解，我们简要讨论用于评估秋季检测系统性能的不同指标。本文还为基于视觉的人类跌落检测技术提供了未来的指导。
translated by 谷歌翻译
人类活动识别（HAR）是一项机器学习任务，在包括医疗保健在内的许多领域中进行了应用，但事实证明这是一个具有挑战性的研究问题。在医疗保健中，它主要用作老年护理的辅助技术，通常与其他相关技术（例如物联网）一起使用，因为可以在智能手机，可穿戴设备，环境环境等物联网设备的帮助下实现HAR和体内传感器。在集中式和联合环境中，已将卷积神经网络（CNN）和经常性神经网络（RNN）等深神网络技术（CNN）和复发性神经网络（RNN）用于HAR。但是，这些技术有一定的局限性：RNN不能轻易平行，CNN具有序列长度的限制，并且两者在计算上都很昂贵。此外，在面对诸如医疗保健等敏感应用程序时，集中式方法存在隐私问题。在本文中，为了解决HAR面临的一些现有挑战，我们根据惯性传感器提出了一种新颖的单块变压器，可以将RNN和CNN的优势结合在一起而无需其主要限制。我们设计了一个测试床来收集实时人类活动数据，并使用数据来训练和测试拟议的基于变压器的HAR分类器。我们还建议转移：使用拟议的变压器解决隐私问题的基于联合学习的HAR分类器。实验结果表明，在联合和集中设置中，该提出的解决方案优于基于CNN和RNN的最先进的HAR分类器。此外，拟议的HAR分类器在计算上是便宜的，因为它使用的参数少于现有的CNN/RNN分类器。
translated by 谷歌翻译