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

通过利用嵌入式传感器进行人体活动识别以及 LSTM 算法，针对印度尼西亚的使用普及率日益增加的智能手机，本研究分析了 25 位参与者的数据，对九种运动类型进行了机器学习模型开发基础上的肌肉力量动作的重要传感器属性的研究，旨在维持高生活质量以预防健康衰退。

Jan, 2024

通过提出的传感器数据模拟器，本研究模拟了老年人异常行为，包括状态异常、活动异常和移动异常，模拟结果能较好地反映真实数据的日常变化。

Dec, 2023

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

本文提出了在合成生理信号和相应的面部视频中添加真实世界噪声的几种方法，并在三个公开的真实世界数据集上评估了我们的框架，结果显示我们能够将平均 MAE 从 6.9 降低到 2.0。

Nov, 2023

该研究提出一种使用单个摄像头在智能老人住所收集信息的方法，采用该方法可在养老院中无侵入检测老年人的步态，实现长期监测及辅助医生了解患者的医疗信息。

Dec, 2018

通过基于视频的环境监测老年痴呆患者步态分析，使用深度神经网络从视频中提取出与深度相机相关的三维时空步态特征，可以准确预测出步态的速度和步长信息，并可用于长期环境监测中检测步态方面的有意义变化。

Aug, 2023

本文研究 WiFi 信号在家庭医疗场景中实时监测日常活动的应用。研究发现，在实际环境中由于环境、受试者和系统设置的变量，WiFi 基于活动识别的准确性和适应性存在挑战。通过在各种环境中部署系统和分析数据变化，本研究旨在指导对老年护理进行实际开发的稳健、上下文感知的 WiFi 感应系统。研究结果表明，WiFi 基于活动感知正在从学术研究向实际应用的过渡中，通过技术提高生活品质。

Feb, 2024

本文研究如何在时间稀疏的数据上直接使用深度学习模型进行活动识别，并从老年人的多个真实数据集中，通过学习活动特征空间，得出相比于现有模型有显著分类性能提升的结论。

Jun, 2019

基于灰盒贝叶斯优化和仿真评估，我们提出了一种新颖的、样本高效的方法，在任意室内空间中找到高质量的传感器布置，用于可靠的跌倒检测、室内定位和活动识别。通过捕捉关于活动空间分布的专业知识，并将其纳入到贝叶斯优化的迭代选择查询点过程中，考虑了两个仿真室内环境和包含人类活动和传感器触发的真实数据集，我们展示了相对于现有的黑盒优化技术，我们提出的方法在识别高质量传感器布置方面表现更好，在 F1 得分方面实现了准确的活动识别，同时还需要更少的昂贵函数查询次数（平均减少了 51.3%）。

Sep, 2023