文摘

在老年人痴呆增加每天的。很多都是由于智能家居技术开支生活快乐。智能家居包含多个智能设备可以支持住在家里。智能家居的自动评估居民是智能家居技术的一个重要方面。检测老年人痴呆的早期阶段的基本需要。现有技术可以检测痴呆及时但缺乏性能。在本文中,我们提出了一个自动认知健康评估方法使用机器和深度学习基于日常生活活动。来验证我们的方法,我们使用卡萨斯公开数据集实验,居民日常生活活动在智能家居执行他们的日常活动。我们使用四个机器学习算法:决策树(DT),朴素贝叶斯(NB)、支持向量机(SVM)和多层感知器(MLP)。此外,我们使用深层神经网络(款)健康和痴呆的分类。 Experiments reveal the 使用MLP分类器精度。这项研究表明使用机器学习分类器更好的痴呆检测,专门为数据集包含实际的数据。

1。介绍

智能家居是一个著名的词现在成为人们的基本需要。智能家居的主要目的是提供高质量的生活和提高效率在家里(1]。智能家居提供更安全、更高效的生活。智能家居包含多个传感器设备远程控制(2]。智能家居在医疗行业起着至关重要的作用。智能家居帮助医疗专业人员远程监控病人的健康和提供紧急护理。

术语痴呆是思考和记忆等认知功能的损失增长的年龄。痴呆人不能控制自己的情绪和个性,无法执行日常基本活动(3]。在这样的条件下,智能家居成为这些人的基本需要,帮助他们执行日常活动,比如烹饪,个人卫生,刷牙,穿衣服,看电视,付账单,和社会。智能家居给痴呆病人的信心,生活在自己或亲人。痴呆症患者并不知道他们的心理健康4]。有必要检测痴呆早期适当的护理和心理健康治疗(5,6]。智能家居是必不可少的医疗专业人员。智能家居控制物联网(物联网)和传感器基础设备能够自动检测痴呆的人。医务人员接收数据每分钟从智能家居和异常行为时警报给治疗老年人(7,8]。提出了许多技术,如基于成像评估、音响、语音评估,机器人评估(3]。然而,研究注意安全和隐私问题使用这些技术(9- - - - - -11]。最近的研究提出了基于ai技术。减少这些问题比上述的技术。

在最近提议技术,机器学习技术在智能家居首选自动检测痴呆个人。机器学习分类器被归类为健康、温和,和痴呆个人(12,13]。这个话题分为健康、温和,使用决策树和痴呆,朴素贝叶斯、多层感知器,和合奏演算法(3]。机器学习使用智能家居基础生成的数据作为输入,并提供实时支持痴呆受损(14,15]。

实时活动检测痴呆的老年人生活在智能家居和执行日常活动是必不可少的;几位老年人不知道对他们的心理健康。因此,动机提出的方法是检测痴呆的早期阶段,充分治疗患有痴呆症。现有研究的局限性检测痴呆患者检出率低,和我们使用该方法提高精度3,12,16]。

本文的主要贡献如下:(我)提出了一种分类方法痴呆人通过分析日常生活活动处于初期阶段使用机器学习和深入学习。(2)机器学习和深度学习算法提出了一种比较评估的最佳模式,并提供一个基线研究。(3)深入学习算法提高痴呆个人的检出率与机器学习算法和超乐谱演奏基线纸检出率。

剩下的论文结构如下。部分2解释了相关研究痴呆人的检测。部分3提出了提出了认知痴呆检测方法。结果和讨论部分中介绍4。部分5提供了讨论实验分析。最后,部分5总结了纸。

2。文献综述

本节介绍过去的文学研究。相关研究认识日常生活活动由痴呆下面提到的个人。在1960年代末介绍了智能家居的概念。最熟悉的家用电脑(ECHO-IV)是为会计介绍了家庭电脑在家的时候(17]。

作者在3)提出了一个研究发现认知损害个人和通过显著改善痴呆患者的表现特征。他们使用了合奏演算法技术分类的个体健康,温和,和痴呆受损。他们使用的数据集卡萨斯。收集的数据来自400名参与者。数据集,24日活动,分为日常生活简单和复杂的任务。他们取得了 和 精度相对于其他现有技术。作者在12)提出了机器学习技术检测认知损害个人的能力来执行日常基本活动如何其他个体执行相同的活动。他们使用卡萨斯数据集,其中包含179名志愿者,进行智能家居中的一组复杂的活动。他们实现了AUC得分 。

作者在18)提出了一种新颖的技术综合健康管理(TIHM)监控方法痴呆病人在自己的环境中。他们使用机器学习和数据分析技术检测痴呆个体的心理健康。他们评估的效率提出了算法进行分类。

作者在16)提出了一个基于机器学习的方法来观察痴呆的表现个人自动智能家居。评估建议的方法,他们把一些老年人在智能家居试验台进行活动。他们提取功能,说明参与者执行活动和使用它们作为输入和输出的机器学习算法。他们评估,机器学习技术可以区分认知健康个体和个人患有痴呆症。

痴呆的问题不及时确认与不断增长的人口迅速增长。作者在19提出了基于机器学习技术(即。,support vector machine, logistic regression, artificial neural network, Naive Bayes, decision tree, random forest, and K-nearest neighbor) to detect dementia disease in the early stage. They assessed that support vector machines and random forests accomplish better results on given datasets. Smart and IoT-based technologies are improving the living style of dementia people and can ensure their safety during daily activities. Author in [20.]总结活动识别痴呆的个人信息使用机器学习方法。他们合并在监控过程中传感器设备和智能设备和使用警报,以防止痴呆人异常活动。

使用机器学习的方法,作者在21)提出了一个模型来检测认知和行为症状的阿尔茨海默氏痴呆(AD)。该模型的目的是及早发现精神疾病,如广告,这将提醒患者及时采取行动。29老年人,他们收集了智能家居数据标注数据与活动课程,并提取十个行为特征。他们用SmoteBOOST和wRACOG算法得到可靠的结果。

作者在22]介绍了机器人活动支持系统(RAS)和智能家居的作用来解释。RAS帮助独立执行家庭活动。他们还收集了那些接受援助的26个人的反馈从智能家居的RAS RAS的可用性进行评估。他们取得的结果 通过问卷调查的7。智能机器人执行完全痴呆人的生活方式的改善和帮助他们在社会参与。作者在23)提出了一个积极的听众模型检测的老年人,可以植入广告对话框的对话机器人系统。该模型将用户的演讲分为三类:问题,声明,沉默,生成一个特定的反应。他们评估克服限制言论和分解对话的痴呆患者这种方法。

总而言之,几位研究7,21)存在于日常生活活动检测痴呆的人,但他们缺乏检出率。为了克服这些限制,本研究提出了一种方法来检测痴呆人通过分析他们的日常活动处于初期阶段。

3所示。建议的方法

该方法侧重于检测痴呆个体在早期阶段。该方法分为四个步骤:数据选择、预处理、特征提取和机器学习分类器分类主题为健康和老年痴呆症的人。最初,数据收集从智能家居生活。此外,特征提取检测痴呆个人使用的数据集。在最后一步中,机器学习和深度学习分类器训练检测健康和老年痴呆症的人。图1说明了该方法的概述为痴呆检测。


图1
提出了老年痴呆症检测方法。
3.1。数据选择

我们使用“认知评估活动(京都)”的一个子集的公开数据集(卡萨斯)检测痴呆提供的个人24]。根据我们所知,卡萨斯是唯一的数据集,自动检测健康和老年痴呆症个人使用收集的数据在智能家居通过简单的日常活动。数据集包含了400个人,79个人(平均年龄:66)分为65健康痴呆和14个人(3]。他们的日常生活活动(即执行。,dishes, paying bills, toileting, heating food, watching Tv, and reading newspaper) in smart homes. Data is collected from smart home sensors like motion, force, humidity, door, light, temperature, thermostat, and heat.

3.2。数据预处理

数据预处理是一个过程,将不完整的和不一致的格式数据转换成一个格式良好的数据集。机器学习的数据预处理过程包含七个步骤。在第一步中,所获得的数据集,并且所有库导入到第二步。此外,数据导入和识别和缺失值处理。第五步是编码的分类数据。此外,数据被分割,在最后一步特性的扩展过程发生。

3.2.1之上。缺失的数据处理

数据处理是一个重要的步骤在提高机器学习模型的效率。频繁,真实的数据集是巨大的,许多缺失值会影响机器学习模型的性能。我们发现很多缺失值(null或?南)在我们的数据集。删除一些功能没有提供的信息,而所有功能包含零。

3.2.2。极大极小标量

有时机器学习模型学习如果没有按特性。因此,它需要规模效率模型的特性集学习。极大极小标量数据的方式扩展;它减少数据在给定的范围在0和1之间不改变原始的形状分布。

3.3。特征提取

应用于原始数据集的特征提取步骤将它转化为更好的理解特征矩阵。从智能家居数据集包含传感器收集的数据和一些死为简单的生活活动和无关紧要的传感器。获得更好的见解和我们日常生活的活动中提取相关特征。

3.4。机和深度学习分类器

在本节中,我们目前的机器和深度学习算法用于健康和老年痴呆症的个人检测。机器学习和深度学习分类器被用于各种医疗应用,如认知健康评估、肿瘤检测、乳腺癌检测、和肺癌检测(13,25,26]。我们使用四个机器学习算法:决策树(DT),朴素贝叶斯(NB)、支持向量机(SVM)和多层感知器(MLP)。此外,我们使用深层神经网络(款)健康和痴呆的分类。DT是一个基于规则的分类或回归算法基于信息增益和熵。它由根节点,决策节点和叶节点。这些节点是基于信息增益和熵。信息增益必须是最高的在所有功能特征根节点。这是一个迭代的过程,直到所有特性成为节点和叶子节点。我们设置了交叉验证参数1.0 DT - 10和信心。我们将批量大小设置为100 NB分类器和内核估计量为False。 For the SVM classifier, we set the batch size to 100, kernel confidence to 1.0, kernel type to poly-kernel, and tolerance parameter to 0.0001. For the MLP classifier, we set the batch size to 100, the learning rate to 0.3, and momentum to 0.2.

我们使用一个调谐深层神经网络对认知的健康评估。我们调整各种参数对痴呆和健康个体有效地进行分类。我们用5个密度致密层在第一层,我们组12与Relu神经元激活函数。在第二个致密层,我们组10与Relu神经元激活函数。在第三密度层,我们组8与Relu神经元激活函数。在致密层,我们组6与Relu神经元激活函数。在第五密度层,我们设置1与乙状结肠神经元激活函数。711可训练的参数用于训练模型认知健康评估数据集款。来编译款模型,我们使用二叉叉亚当优化器。

4所示。实验分析及结果

本节解释我们的实验分析和结果通过该方法。我们的研究工作的目的是检测痴呆个人通过评估日常生活活动。数据分割是基于数据创建一个模型的一个基本方面。通过这种方式,可以评估模型的性能。通常,火车机器学习模型数据分为两个部分:训练数据和测试数据。我们把数据 作为训练数据和 作为测试数据。

4.1。决策树

表1显示了决策树分类器的结果。对于健康人来说,决策树实现的精度 ,召回 ,和f1-score 。老年痴呆症的个体,决策树实现的精度 ,召回 ,和f1-score 。整体实现的准确性 两个人。看到,总体精度的加权平均值 ,加权平均召回 ,和加权平均f1-score 健康和老年痴呆症的人。

表1
决策树分类器为痴呆检测个人的结果。

图2(一个)描述了决策树的混淆矩阵检测痴呆的个人。混淆矩阵显示分类算法的性能。186健康个体,决策树分类168人痴呆一样健康的正确和错误的剩余的18个人。此外,它也看到195老年痴呆症的人。14健康和分类决策树预测,其余181人痴呆的个人。图2 (b)显示了决策树的ROC曲线。Roc曲线通常用于显示截止值的图形表示。它可以注意到中华民国曲线开始增加从0.0到0.9,然后变得平坦。

(一)
(一)
(b)
(b)
图2
结果痴呆的决策树分类器检测个体。(一)混淆矩阵。(b) ROC曲线。
4.2。朴素贝叶斯

表2代表了朴素贝叶斯分类器的结果。健康个体,朴素贝叶斯的精度 ,召回 ,和f1-score 。老年痴呆症的个体,决策树实现的精度 ,召回 ,和f1-score 。整体实现的准确性 两个人。表显示的总体平均精度 ,平均召回 ,和平均f1-score 健康和老年痴呆症的人。

表2
结果痴呆的朴素贝叶斯分类器检测个体。

图3(一个)描绘了朴素贝叶斯的混淆矩阵检测痴呆的个人。根据这个图,186年健康个体,朴素贝叶斯分类83 是健康的正确分类剩下的103 是老年痴呆症的人。此外,它也表明,痴呆的195个人,朴素贝叶斯预测,179年痴呆正确和不正确,其余16是痴呆的个体。注意到,朴素贝叶斯分类器获得低精度比决策树。图3 (b)显示了朴素贝叶斯的ROC曲线。结果表明,中华民国曲线开始从0.0增长到0.3。然后逐渐增加到0.5,增加到0.75。

(一)
(一)
(b)
(b)
图3
结果痴呆的朴素贝叶斯分类器检测个体。(一)混淆矩阵。(b) ROC曲线。
4.3。支持向量机(SVM)

表3表明支持向量机分类器的结果。健康个体,SVM的精度 ,召回 ,和f1-score 。老年痴呆症的个体,决策树实现的精度 ,召回 ,和f1-score 。整体实现的准确性 两个人。表显示的总体平均精度 ,平均召回 ,和平均f1-score 健康和老年痴呆症的人。

表3
结果痴呆的SVM分类器检测个体。

图4(一)描绘了SVM的混淆矩阵检测痴呆的人。图示表明,186人,157年SVM分类正确健康的个人和分类其余29日为痴呆。此外,支持向量机预测,从170年痴呆个人,支持向量机预测,182年痴呆正确和不正确,其余13是健康的人。注意到,比决策树SVM分类器获得低精度。图4 (b)显示了支持向量机的ROC曲线。中华民国曲线开始从0.0增长到0.79。然后逐渐增加到0.94。

(一)
(一)
(b)
(b)
图4
结果痴呆的SVM分类器检测个体。(一)混淆矩阵。(b) ROC曲线。
4.4。多层感知器(MLP)

表4显示了决策树分类器的结果。对健康个体,延时精度的实现 ,召回 ,和f1-score 。老年痴呆症的个体,延时精度 ,召回 ,和f1-score 。整体实现的准确性 两个人。看到,总体精度的加权平均值 ,加权平均召回 ,和加权平均f1-score 健康和老年痴呆症的人。

表4
结果痴呆的MLP分类器检测个体。

图5(一个)描绘了混淆矩阵电路的延时检测痴呆的人。按照这个数字,186名健康个体,MLP分类177痴呆一样健康的正确和分类剩下的9个人。此外,它也注意到195痴呆个人、延时预测,191年痴呆正确,其余4作为健康的人错了。延时比决策树实现高精度,朴素贝叶斯和支持向量机分类器。图5 (b)显示了延时的ROC曲线。结果表明,中华民国曲线开始从0.0增长到0.79。然后逐渐增加到0.99。

(一)
(一)
(b)
(b)
图5
结果痴呆的MLP分类器检测个体。(一)混淆矩阵(b) Roc曲线。
4.5。深层神经网络

图6曲线显示的准确性和损失。图6(一)代表蓝线的精度曲线显示了训练精度曲线和橙色的线显示了测试精度曲线。训练精度从 在 时代和增加到0.84 时代。之后,它增加 在每一个时代结束了在0.95 时代。测试精度从 在 时代和增加到0.87 时代。之后,它开始略有增加,减少在每个时代结束在18 0.89时代。图6 (b)代表了损失曲线。培训从0.7开始失去信心 时代和下降到0.39 时代。与每个时代结束之后,它开始下降为0.15 时代。测试从0.69开始失去信心 时代和下降到0.41 时代。此外,一个轻微的波动在每个时代在0.39结束 时代。

(一)
(一)
(b)
(b)
图6
由于分类器为痴呆检测个人款。(一)精度曲线(b)损失曲线。

5。讨论

本文提出了一个使用机器学习的方法来检测痴呆(决策树、朴素贝叶斯、支持向量机和MLP)和深度学习算法。我们使用卡萨斯简单日常生活活动数据集实验。数据集由1903个实例在健康个体976和痴呆人927。我们使用 数据作为训练和 作为测试。它是注意到机器学习分类器在数据集上表现良好深度学习的同情。具体来说,向MLP分类器优于其他分类器。预计真实数据集很小。我们的研究表明,使用机器学习分类器在检测痴呆个人获得更好的性能。

6。结论

本文提出了一个基于机器学习和深度学习的方法来检测痴呆。这种方法集中在自动检测痴呆的个人生活在智能家居。我们的实验结果表明,机器学习分类器精度比深学习算法使用数据集卡萨斯。我们的研究取得了 通过向MLP分类器与其他分类器精度。在未来的研究人员可以收集更多真实的痴呆个人更好的精度。

数据可用性

(认知健康评估)数据用于支持本研究的结果都包含在这篇文章。

的利益冲突

作者宣称没有利益冲突。