本文提出了 ElderSim 平台用于生成老年人日常活动的合成数据，并根据 ElderSim 生成了大规模的 KIST SynADL 合成数据集，通过该合成数据集及真实数据集训练深度学习模型，以提高老年人日常运动识别的性能。

Oct, 2020

通过使用非侵入式摄像头传感器监控个体的坐姿和放松活动，本研究旨在检测衰弱迹象，并通过建立贝叶斯网络模型特征、活动和健康状况之间的关系，确定最适合观察变化的时间尺度。研究结果表明，在日常水平上区分模拟的衰弱的准确率为 0.97，而一些精细的行为特征和活动，包括非主导上半身运动速度和规模，以及静止分布和 300 秒的时间窗口，则被发现最为有效。然而，鉴于无法确定适用于所有参与者的通用优化特征和活动，建议使用个体特定模型。

Jun, 2024

基于生成对抗网络和自注意力机制的无监督深度学习异常检测系统，在考虑了本地子序列中包含的不同特征信息的基础上，自动学习环境传感器变量之间的复杂线性和非线性依赖关系，利用重构误差和判别误差的异常得分计算方法，可以高实时性地监测实际传感器数据的异常点，适用于智能卫星物联网系统。大多数情况下，异常检测优于基准方法，具有很好的可解释性，可用于监测环境传感器，预防工业事故和网络攻击。

Mar, 2024

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

利用人工智能辅助系统来帮助患有痴呆症的人需要大量的训练数据，但数据采集带来了伦理、法律、经济和后勤问题。合成数据生成工具提供了潜在的解决方案，但我们认为目前可用的这些工具未能充分反映行为模拟中的认知障碍。因此，我们提出了一个模拟模型（SimDem），重点关注患有痴呆症的认知障碍，用户可以轻松配置和适应模型，以模拟和评估辅助解决方案。

Jul, 2021

描述了一个数据收集活动和由智能手机传感器得出的数据集，该数据集作为包含 45K 多个数据样本的 CSV 文件集合发布，每个样本由 1332 个与物理和虚拟传感器相关的特征组成，包括动作传感器、运行应用、附近设备和天气条件。此外，每个数据样本都与描述用户活动和传感实验中的情境（例如工作、就餐和运动活动）的基本真实标签相关联。为了避免引入数据收集过程中的任何偏差，我们在野外进行了传感实验，即使用志愿者的设备，并且没有限制用户行为。因此，收集的数据集对于定义和评估移动环境中根据用户情境变化调整行为的各种新颖背景感知解决方案（算法和协议）是一个有用的真实数据来源。

Jul, 2023

多元时间序列数据在智能医疗场景中的异常活动检测具有潜在的准确性，但是异常模式多样且在时间序列中变得难以察觉。为了解决这个问题，我们提出了一种基于残差的异常检测方法 Rs-AD，用于有效的表示学习和异常活动检测。我们在真实步态数据集上评估我们的方案，并实验结果表明 F1 得分为 0.839。

Sep, 2023

我们团队开发了一种可穿戴的防丢失设备和智能早期警告系统，用于老年易失藤症患者，利用人工智能和物联网技术。

May, 2024

本研究分析了制造测试台的四个传感器数据集，评估了若干传统和基于机器学习的时间序列预测模型的性能，并通过从高数据速率传感器中执行转移学习来对缺乏数据的传感器进行缺陷类型分类，因此为实现预测维护铺平了道路。

Jun, 2022

使用 NEX 项目开发的物联网系统和数据分析，可以支持老年人在家独立生活的无干扰健康和健康监测。使用自动检测日常生活活动（ADL）的可视化方法，可以实现 ADL 的自动检测以及可以无需重新训练系统来纳入新参与者的功能。

Jul, 2023