提出了一种新的应用来实时监测老年人自己的居家缺乏运动的情况，旨在支持老年人的生活和独立性。基于 RGB-D 相机和紧凑型计算机处理器的轻量级相机监控系统在社区家庭中进行了开发和试验，以观察老年人的日常行为。匿名和不显眼地检测到了日常情境中的身体静止事件。这些事件可以从更高的层面解释，例如意识丧失或生理恶化。评估了静止监测系统的准确性，并提供了与老年人日常行为相关的静止事件统计数据。结果表明，我们的方法在各种环境下，包括低照明、电视抖动和不同的摄像机视角中准确地进行了静止检测。

Nov, 2023

提出了一种成本 - effective、简化的环境辅助生活系统设计范例，该系统可以在现实世界中同时捕捉用户 ADL 行为的多模态组件，以实现在 ADL 过程中的跌倒检测和室内定位。通过与其他研究的比较，证明了该系统的有效性、创新性和成本优势。

Jul, 2022

提出了一种自主的人工物联网（AIoT）系统，用于智能家居中对老年痴呆患者的监测，主要实现两个功能：基于传感器数据的实时异常活动监测和疾病相关活动趋势预测。该系统的 RF 分类器设计准确率大于 99％和 94％，并且使用 LSTM 模型可以实现准确和明显的未来趋势预测。

Jul, 2022

通过对深度学习在视觉数据上应用的研究文献的系统回顾，本研究讨论了关于独居老人安全的两个主要任务 —— 摔倒检测和人体活动识别，以及相关数据集和硬件设备的使用情况，并对现有方法的优势和劣势进行了讨论，提出了未来工作的建议。

Jan, 2024

本论文提出了一种基于上百万个公共在线视频声音剪辑的语音识别框架，该框架利用深度学习技术不需要标注音频数据，不需要进一步的特征处理或离群值过滤。在日常活动中验证了该方法，取得了 64.2% 和 83.6% 的平均准确率。

Oct, 2018

提出了一个新的数据集和基准 InteractADL，用于理解涉及人（和物体）之间互动的复杂 ADL，并提出了一种用于细粒度少样本视频分类的新方法 Name Tuning，该方法通过学习优化类别名称向量，使语义可分离，展示了在 InteractADL 和其他四个细粒度视觉分类基准上改进的性能。

Jun, 2024

利用基于传感器的识别的大型语言模型（LLMs）在智能家居环境中进行的日常生活活动（ADLs）的识别表明其在这一领域的有效性。

Jul, 2024

为了解决多名评估员在评估功能失能时存在的一致性问题，作者开发了一个对话系统，该系统仿真了评估员和功能失能个体之间的互动，并需要自然语言理解和生成模块的支持。

Jul, 2023

利用物联网和增强现实概念创造一种环境辅助生活实施系统，来帮助患有阿尔茨海默症（AD）的人。该系统包括智能手机或 Windows 应用程序和智能眼镜。前者用于监测 AD 患者在家中的状况并在患者处于风险状态时通知看护人员。后者用于识别环境中的二维码，并以格式化音频、文本或三维图像的形式提供相关信息。本文探讨了该系统实施的可能性并报告了初步结果。

Jan, 2023

研究使用序列到序列的方法自动提取可以应用于类似时间序列学习任务的通用且有意义的特征。所得到的有意义的特征不仅避免了特征工程，还可以用于半监督学习，并且在从可穿戴和环境传感器收集的数据集上进行了评估。

Jul, 2019