穿戴设备预测模型、认知损害、机器学习模型、预测特征、持续健康监测

Aug, 2023

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

提出了一种集成声学、认知和语言特征的多模式系统，使用带时间特征的专业人工神经网络以检测阿尔茨海默病和其严重程度，并在 ADReSS 挑战数据集上获得了 83.3％的精度并在 DementiaBank Pitt 数据库上获得了 88.0％的分类精度，验证了无意识语音的通用性和可移植性。

Aug, 2020

通过多模式方法，使用手腕加速度计数据和传感器与摄像头数据的融合来检测老年人跌倒，并对其进行二分类标记，使用 UP-FALL 检测数据集进行实验，结果表明使用多种传感器数据并未显著提高跌倒检测的性能。

Feb, 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

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

该文章提出了一个基于可穿戴设备的坠落检测框架，采用机器学习算法分析传感器数据来实时检测坠落，并利用区块链技术存储和验证坠落事件数据，该框架旨在提供一种高效可靠的坠落检测方案，提高紧急响应和老年人的综合福祉。

Jun, 2023

本研究提出了基于可穿戴设备和人工智能的自动跌倒检测系统 CareFall，并采用机器学习的方法，通过加速度计和陀螺仪等信息，提高跌倒检测的准确率，旨在为老年人提供智能、用户友好的解决方案来减轻跌倒的负面后果。

Jul, 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