Monitoring activities of daily living is one of the key functionalities expected from a Smart Living environment providing independent living services for elderly people. Simple state-change sensors have been considered to be a promising sensing technique to observe the environment and consequently provide the data required to form the basis to infer high-level behaviours. From a data analysis point of view, the challenge is how to recognise and detect activity behaviours from low level sensor data over time. In this paper we present a novel approach to partition sensor data and identify the activity undertaken within each sensor data segment. The approach developed was tested on a dataset collected from a single person living in an apartment during a period of 28 days. The results show that our approach can not only accurately recognise annotated activities but also has the ability to identify non-recorded activities

چکیده

فعالیت های نظارت بر زندگی روزمره یکی از ویژگی های اصلی مورد انتظار از محیط زندگی هوشمند است که خدمات زندگی مستقل برای افراد مسن فراهم می کند. حسگرهای مشابه تغییر-حالت به عنوان روش های امیدوارکننده ی سنجش در نظر گرفته شده اند که محیط را مشاهده کرده و در نتیجه اطلاعات مورد نیاز برای پایه ریزی استنتاج رفتارهای سطح بالا را تشکیل می دهند. از نقطه نظر تحلیل داده، چالش اصلی چگونگی تشخیص و شناسایی رفتارهای فعالیت از داده های حسگر سطح پایین در طول زمان است. در این مقاله ما یک روش جدید برای پارتیشن بندی گره های حسگر و شناسایی فعالیت های انجام شده در هر بخش داده ی حسگر ارائه کرده ایم. روش در مجموعه داده ای بررسی شد که مربوط به فردی که در آپارتمان در طول دوره ی 28 روزه زندگی می کرد، جمع آوری شده بود. نتایج نشان دادند که رویکرد ما به دقت فعالیت های مشروح را تشخیص نمی دهد اما قابلیت شناسایی فعالیت های ثبت نشده را دارد.

رشد سریع THE جمعیت باعث تغییر از مدیریت بهداشت متمرکز با قابلیت های انسانی سنتی به مراقبت های بهداشتی فراگیر با فناوری های پیشرفته منجر شده است. خانه های هوشمند به عنوان راه حل بالقوه برای پشتیبانی از مردم سالخورده مورد ارزیابی قرار گرفته اند که در طول دوره ی زندگی به طور مستقل به حیات خود ادامه دهند...