申请修改网页排名算法的异常检测老年人的运动

文摘

它是一个著名的统计,我们的年长的成年人口的比例将超过全球其他年龄组。大多数老年人仍将倾向于保持一个积极的生活方式。支持这种生活方式,各种监控系统被设计和部署有无缝集成与老年人的日常生活活动,同时保留各种级别的他们的隐私。运动跟踪是其中一个健康监测系统。当正确地设计、部署、集成和分析,他们可以用来帮助确定一些发作的异常各级老年人的健康的运动和日常生活活动(MADL)。本文探讨了框架如何的PageRank算法可以扩展为监测全球运动模式的老年人居住的地方。通过利用现有的数据集,本文展示了各个房间之间的运动模式可以表示成一个有向图和加权边缘。为了演示如何利用PageRank,基础图代表一个正常模式可以被定义为可用于进一步异常检测(例如,在某些情况下的观察测量运动模式偏离之前是什么定义为正常模式)。它显示网页排名算法如何检测模拟运动模式的变化与基线相比正常模式。这个特性可以提供一个实用的方法来检测异常运动模式与老年人在自己居住地和支持老化的范例。

1。介绍

2011年的人口普查的人口统计近500万,65岁以上老年人在加拿大。这些人,92.1%住在私人家庭或住所(作为夫妻的一部分或与他人),7.9%住在集体住宅,住宅等老年人或医疗保健和相关设施(1]。例如,在加拿大,老年人口的比例从8%上升到14%从1971年到2010年,预计代表23 - 2036年总人口的25%。老人生活在特殊保健设施的比例达到30%,85岁。不列颠哥伦比亚省老人65岁及以上的份额为15.7%,高于2011年的14.8%的加拿大全国平均水平(2]。这些趋势也与类似的统计信息在全球范围内共享。联合国的一份报告表明,“从2015年到2030年,60岁以上的人数预计将增长56%超过2015年规模两倍”(3]。

能够监控运动和活动的老年人通过各种传感模式可用,更重要的是能够有效地分析和显示感觉到信息可以受益看护人员和家庭成员(4]。这种传感器部署在智能生活环境也可以让各种运动和活动监视系统的发展。传感器部署还可以创建一个独特的机会在寻找各种框架检测异常运动模式和行为偏离正常的运动模式和活动。先进的传感器、智能家居、和老人机器人允许一个低成本的和一致的传感器数据流的日常生活环境中可以用来跟踪运动和检测异常。

能够发现任何变化运动和活动的长期监测模式可以帮助识别出现异常,可以为医生提供有价值的见解关于脆弱的风险(5]。一般来说,它是一项复杂的任务来确定程度的脆弱与老年人的运动和活动联系在一起。例如,这将取决于实际的数量可以从已部署的传感器收集信息,在老年人的生活环境。此外,没有援助的医生或护理工作人员,它也是具有挑战性的决定老年人的正常的运动模式。

老龄化,许多人宁愿花费大部分的时间在他们的私人回家只要他们能。支持这种生活方式,各种智能的概念提出了老年人的生活环境。例如,[6)提出了一个易于安装智能家居系统。智能家居用品能够活动识别准确率达到了84%。智能家居是额定如何轻而易举地就可以部署由几个参与者具有不同的技术背景。这种生活环境的核心组件是各种运动和活动的可用性传感器部署在不同的位置的生活环境。一个隐藏的马尔可夫模型(HMM)日常活动使用收集的数据分析和模型提出了8天的时间在7]。运动数据转化为状态向量和用于嗯重建一个活动模型。提出了异常检测的方法活动记录(8离群值被定义为活动错误。使用机器学习模型训练和活动数据没有错误(即。,n或mal patterns of activities), they were able to detect and classify activities with errors. Sensor data from 580 participants from two smart homes were used and labeled externally with activities and errors. These activities were evaluated through a base-line algorithm created by only sensor counts for later comparison. The activity data was trained with a one class support vector machine. A set of features which can be used for a screening system to help diagnose dementia was proposed in [9]。运动数据是利用机器学习训练贝叶斯网络模型对患者进行分类。公开的数据是使用活动注释和分数。K-repeating子字符串被用来从运动轨迹,提取特征作为输入的贝叶斯网络。传感器数据从智能家居结合利用机器学习分类帕金森疾病和轻度认知障碍患者基于行为模式做一组日常生活活动(10]。260名参与者被神经疾病和其他医疗异常筛查。84的260参与者选择执行活动与两个可穿戴传感器智能家居,一个占主导地位的胳膊上,一个占主导地位的一侧脚踝。传感器事件收集从智能家居和注释添加自动标注系统。特征提取的数据,和机器学习算法决策树,朴素贝叶斯、随机森林,支持向量机,自适应提高使用提取的特征。发现所有的机器学习算法比随机分类在区分健康的病人和帕金森病病人。

PageRank算法使用谷歌搜索排名网页在搜索引擎结果。PageRank是通过计算一个页面的链接的数量和质量来确定一个粗略的估计的网站是多么的重要。底层的假设是,更重要的是网站可能会获得更多从其他网站链接12]。给出一个典型的老年人的居住环境组成的房间和走廊相连,本文提出一种修改网页排名算法排名房间/走廊参观了大多数的老年人在一段时间内观察。本文进一步评估偏差是否在记录仪数据可能会导致房间的排名变化的网页排名算法定义的修改。这种方法的另一种算法是检测异常运动和活动的老年人相比,大多是基于HMM的综述文献,贝叶斯框架,或者机器学习算法。在我们的研究中,从公开的数据集获得传感器数据6)和预处理和集群到指定的房间。

本文的组织结构如下:部分2提出了一些背景动机;部分3提出了有向图的数据处理和建筑使用提供的数据集;部分4礼物的细节修改网页排名算法及其应用的有向图表示运动模式;部分5提出了一些实验分析的PageRank可用于异常检测;和部分6提出了讨论和结论。

2。背景和动机

图1显示了一个代表性的例子的一个年长的成年人的生活环境。这图还显示了一个示例代表关键运动传感点描绘成圆柱(即对象。代表的运动传感器的位置与一个房间)。例如,红色,绿色,黄色,紫色指标对应于餐厅(D),走廊(H)、厨房(K),和浴室(B)。以下的一般描述运动的老年人11),指图1的细节,我们也定义第一级监测的运动频率的关键传感点来拜访一位年长的成人给定一个时间窗口的观察。第二级将细节代表老年人的运动轨迹之间的关键传感节点,即。,say between nodes H and D. The third level would be the gait patterns of elderly as she/he moves between any of these key nodal points (for example from key nodal station H (the green cylinder) to K (the yellow cylinder)). Similarly, additional key location indicators can be introduced in each of the rooms which can be used to further characterize the movements and activities in each of the rooms.

一般来说,指图1参考关键节点传感点老年人的居住环境也可以表示为定向运动图中节点。这张图代表的边缘方向的每个节点之间的运动。对于一个给定的时间窗口的观察,还可以收集和分配一个概率分布,老年人可以访问所选图的节点和其他节点。这样的概率分布可以被描述为权向量的每个导出有向图的边。图2这样的图显示了一个示例结构参考节点图的描述1。H为例,考虑到走廊节点检测到老年人,有一个平等的概率((H / 3))说,老年人可以去厨房,餐厅,卧室。

图的有向图2可以代表一个样本事件的概率分布的运动一段时间的观察。例如,当检测到一个年长的在一个即时的观察(例如,在晚上)在一个关键的传感节点与走廊(H),平等的初始概率可以分配给老人去浴室(B)、厨房(K)或餐厅(D)。同样,观察图形的图2老年人,也有一个平等的概率从厨房(K)餐厅(D)或走廊(H)。

图的加权有向图2也可以转化成马尔可夫转移矩阵(随机矩阵)如下表示: 矩阵的列代表老年人的概率分布到其他房间通过行协会。例如,当老年人在B,有100%的可能性K将访问。鉴于这样的转移矩阵一个进一步,它可以被用来预测一个老年人的长期行为类似于[方法13]。例如,让我们假设最初老年人有平等的概率分布是在关键的传感点和等概率访问相应的连接与房间,也就是说, 在哪里n是关键节点感应点。使用马尔可夫链的概念和转移矩阵的定义,老年人的连接概率分布在各个房间的实例观察可以估计 这种长期的分布行为也可以通过转换矩阵的特征值和特征向量的计算。

另一个利用马尔可夫转移矩阵预测老年人的长期行为是通过应用程序的基本网页排名算法(14]。PageRank算法使用谷歌搜索排名网页在搜索引擎结果。PageRank是通过计算一个页面的链接的数量和质量来确定一个粗略的估计的网站是多么的重要。底层的假设是,更重要的是网站可能会获得更多从其他网站的链接。例如,对于一个即时的观察,说 ,我们将定义一个年长的成年人在一个给定的概率的房间,说 ,定义为等于概率之和的老年人在室内指了指房间在前面的瞬间,即 ,边的数量除以指出从一个房间 ,也就是说, ,或

鉴于前面定义的初始概率分布(即。,equal probability that the older adult can be detected in any of the key observation points), iteratively we can compute the probability distribution at the next cycle where the older adult can be, for example, the hallway (H) as 和厨房(K)

表1总结了这些转换的结果两个周期的预测。

从表可以看出1,餐厅(D)是排名高于其他房间。这也意味着,对于一个给定的马尔可夫转移矩阵,稳态概率分布解决方案中的所有关键节点传感点可以确定监控区域。这个指标可以用来排名统计偏好年长的成年人在观察期间(名义未来时期分布模式可以与之相比)。马尔可夫矩阵的另一个后果是,它的一个特征值总是等于1和其他特征值绝对值小于1。一种解释相关的马尔可夫矩阵的特征向量和特征值等Perron-Frobenius贡献即是基于特征向量对应的均衡分布矩阵对其状态的观察序列的数量变大。

3所示。修改网页排名算法的应用

PageRank是网页评级的方法客观地,机械地有效地衡量人类的兴趣和关注他们(15]。为了测量的相对重要性网页,网页级别提出了一个计算方法为每个网页排名基于web的图形。

在每个迭代的PageRank,节点给他们当前的网页排名在他们链接和获得其他节点链接到的网页级别节点。所有节点的出站和入站链接可以显示在一个矩阵表示,过渡矩阵。一个版本的PageRank算法可以写成14] 在哪里是节点的等级u,是链接的总数吗u,和所有节点的集合链接吗u。

在图表示,存在水槽节点只有入站链接,即。、终端节点或断开连接的组件。一种普通网页排名算法可以修改占这样的条件,也就是说, 在哪里 是条件因素,这样一位年长的成年人会忽视当前状态的转移概率马尔科夫矩阵定义的,而是随机跳转到另一个节点。

表示,潜在的过渡矩阵是网页排名算法的核心。因此,PageRank是类似于一个马尔可夫链。马尔可夫链决定了一系列州通过概率之间的一个状态转换到另一个,和下一个状态的概率只取决于之前的状态。美国可以隐藏,而发射概率可观测的数据,从而导致隐马尔科夫模型。在网页排名的情况下,美国的页面,在给定状态是真的访问该页面时,和概率对于一个给定的状态转换到其他州也同样分裂的outlinks给定状态。在本文的案例研究中,我们使用一个修改版的网页排名算法。在这里,而不是分裂节点的PageRank同样在其链接,一个过渡重量为每个节点outlinks是统计数据集的确定。事件的数量从一个房间到另一个当时被规范化为每个房间的概率来表示从一个房间到另一个地方。然后,PageRank是运行新的权重。网页排名算法的一个版本是在本文中被定义为使用 在P(·)的PageRank(·),(·)是一个节点的图,d是阻尼因子,N是节点的数目,M是正确的随机矩阵的房间,然后呢列的M u索引。我们使用在我们的研究阻尼因子为0.99。

3.1。数据收集和预处理

高级研究中心的数据集自适应系统(卡萨斯)检查6]。卡萨斯项目使用智能家居环境研究和数据收集。他们公开的数据集收集与他们的智能家居环境。收集的数据集包含传感器事件数据从智能家居与至少一个居民在几天到几个月。

数据集我们选择传感器收集的数据在三天两个居民,与一些扩展到第二天。第一天(2008-06-24-25)从7:49:21 2:41:42是在25日下午第二天(2008-06-29)从13点到56点在30日为止,第三天上午从6:04 1:48 7月 。传感器类型包括运动、温度和水传感器及其位置被显示在平面图中看到数据的形象3和4。

在这项研究中,只使用运动传感器事件。记录的传感器事件格式结构为“日期时间SensorID-residentID”。两个居民的传感器激活可以进一步过滤提取数据相关联的一个居民。我们只有使用数据相关联的一个居民。一个样本的数据如表所示2。

从多个传感器获取空间转换、传感器数据在同一个房间里聚集,形成单个集群每个房间如图的代表5。传感器之间的边境上的多个房间被改善精度记录每个房间之间的转换。这些房间活动,创建一个房间边列表,间隔表明主体在起始的房间里呆多久。一个小间隔表示快速变化空间。间隔持续两秒或更少的被过滤减少假阳性敏感的传感器。此外,不可能从边缘等房间的边缘地板上的地板上没有通过楼梯也被过滤。

4所示。活动图

考虑到房间边列表和一个房间顶点列表,可以从数据产生一个有向图,见图6。

图包含许多不可能的边缘转移概率较低,表明传感器误差,从而创造更多的边缘应该是可能的。简化图并纠正可能出现的传感器错误,许多临时过滤器被进一步利用。首先,传感器位于之间的连接边界的房间被移除和只考虑传感器在房间的中心区域集群。接下来,如果当前事件和下一个事件之间的时间间隔很小,然后这些事件被移除(图7)。例如,在这项研究中,所有的事件持续了不到3秒被移除。

5。异常检测的研究

我们的假设是反常活动在运动模式可以发现通过观察变化的名义模式定义为名义上的PageRank。名义PageRank获得数据,可以被认为是和使用作为比较的基础。例如,表3显示房间的排名由PageRank 2天观察窗。

评估这一假设,介绍了一系列的模拟运动和活动的名义上的数据。为此,一小块转移矩阵的修改指示异常活动,然后用修改后的PageRank算法实现过渡矩阵。在第一个实验中,修改后的转移矩阵是模仿概率增加浴室使用的主题。因此,目的是观察如果PageRank算法可以识别这种模拟异常的运动模式。这可能代表一个人突然有某种需要更频繁地去洗手间。

实验1。在左下角的卧室里的过渡,从走廊分割0.1 (0.25)地板和0.1(0.333)从左上的卧室,并将它添加到浴室(0.417到0.617)。

结果。浴室排名跃升至从(表4)。

实验2。在左上角的卧室里的过渡,从走廊分割0.1 (0.333)地板和0.1(0.533)从左下角的卧室,浴室和添加(0.133到0.333)。

结果。浴室从来 。(表5)

实验3。在楼走廊的过渡,从左下分裂0.07卧室(0.316),0.07(0.368),从楼梯0.07从左上卧室(0.211),并添加到浴室(0.105到0.315)。

结果。浴室跃升至从 。(表6)

在所有的实验中,增加浴室访问的数量增加的重量浴室边让浴室网页排名上升。

6。讨论和结论

本文的研究表明,各种形式的PageRank算法可以探索作为一种工具来识别和检测异常运动模式的老年人的家庭环境。这种检测可以进一步协助检测物理问题,如尿失禁,或心理问题,如阿尔茨海默氏症。本文的方法提供了一种替代方法与文献相比检测异常运动模式的老年人基于PageRank证明方法。拟议的框架的一个挑战是什么可以被认为是正常的识别模式的运动或活动。第一案例研究,例如,它可以观察到,该算法能够检测到去浴室增加相比,前面是什么定义为一个正常的排名模式(表5)。另一个挑战是可行的观察窗口对应的定义的开始和持续时间对未来建立一个基础数据收集比较。这些人具体可收集基线数据的帮助照顾者或家庭医生。该集群使用的传感器位置标识符关联到一个特定的房间可以应用于等级的活动一个年长的成年人在一个特定的房间。在这种情况下,传感器与不同地点在一个房间可以用来进一步排名活动在一个房间。本文的方法只关心检测各种关键节点传感点之间的运动。的情况下,研究轨迹运动的重要性,其他类型的传感器可以用于确定道路的曲折(16]。此外,对于步态及其模式的情况下配置的重要性、深度传感器等其它环境传感模式可以利用(17]。

数据可用性

之前报道的传感器数据被用来支持这项研究和可用http://casas.wsu.edu/datasets/。这些先前的研究(和数据)援引文本中有关地方文献[6]。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究是通过资助西蒙弗雷泽大学的支持,国际参与奖。

引用

1. 加拿大统计局。,“Canada Year Book, Seniors. Statistics Canada Catalogue no. 11-402-X. Ottawa,” 2012.视图:出版商的网站|谷歌学术搜索
2. BCStats, 2018,http://www.bcstats.gov.bc.ca/StatisticsBySubject/Census/2016Census.aspx。
3. 联合国,“经济和社会事务部人口司。2015年世界人口老龄化(ST / ESA / SER.A / 390), 2015。视图:谷歌学术搜索
4. s . Payandeh”可视化运动和健康的老年人的活动:概述,”学报第十届国际会议上计算机图形学理论与应用,GRAPP 2015,2015年。视图:谷歌学术搜索
5. n . Zouba f . Bremond, m . Thonnat”活动监控系统真正的老年人在家里:验证研究,”学报2010年第七届IEEE国际先进的视频会议和基于信号的监测、AVSS 2010,第285 - 278页,2010年。视图:谷歌学术搜索
6. d·j·库克,a . s . Crandall b·l·托马斯和n·c·克里希,”卡萨斯:智能家居在一个盒子里,”电脑杂志,46卷,不。7、文章ID 6313586, 62 - 69年,2013页。视图:出版商的网站|谷歌学术搜索
7. g .阴和d·布鲁克纳”活动与隐马尔可夫模型分析环境辅助生活,”国际电子商务研究杂志》上,3卷,不。1,35-44,2012页。视图:谷歌学术搜索
8. b·达斯·d·j·库克:c·克里希和m . Schmitter-Edgecombe”看到下面成了一个基于分类实时活动错误检测在智能家居中,“IEEE选定的主题在信号处理杂志》上,10卷,不。5,914 - 923年,2016页。视图:出版商的网站|谷歌学术搜索
9. c . t . y . Li, y简et al .,”一个支持系统快速痴呆筛选使用PIR运动传感器在智能家居,”学报2017年IEEE国际会议系统,人与控制论(SMC)班夫,页1369 - 1374年,加拿大,2017。视图:出版商的网站|谷歌学术搜索
10. d·j·库克,m . Schmitter-Edgecombe, p . Dawadi”活动行为和运动分析在自然环境中使用智能家居技术,”IEEE生物医学和卫生信息学杂志》上,19卷,不。6,1882 - 1892年,2015页。视图:出版商的网站|谷歌学术搜索
11. s . Payandeh”水平与老年人相关的细节在运动科学,”学报2018年15日国际会议控制、自动化、机器人技术和视觉(ICARCV)新加坡,页1210 - 1215年,2018年11月。视图:出版商的网站|谷歌学术搜索
12. 网页排名。2019年,维基百科https://en.wikipedia.org/wiki/PageRank。
13. z Liouane, t . Lemlouma p .赞美和h . Messaoud f . Weis”Markovian-based日常生活活动识别方法”第五届国际Confererence学报》在传感器网络,SENSORNETS 2016,页214 - 219,意大利,2016年2月。视图:谷歌学术搜索
14. d . Gleich“PageRank超出网络”,暹罗审查卷,57号3、321 - 363年,2015页。视图:出版商的网站|谷歌学术搜索|MathSciNet
15. l .页面,美国布林、r . Motwani和t . Winograd“pagerank引文排序:将以网络,“技术代表、斯坦福InfoLab, 1999年,http://dbpubs.stanford.edu/pub/1999 - 66。视图:谷歌学术搜索
16. a·李和美国Payandeh”,路径曲折的概述为跟踪和监测措施,”学报IEEE会议信息技术、电子和移动通信,第110 - 105页,2016年。视图:谷歌学术搜索
17. m . s . Rasouli D和s . Payandeh”小说深度图像分析对睡眠的姿势估计,“环境智能和人性化计算杂志》上,硕士论文,2018页。视图:谷歌学术搜索

版权

版权©2019 Shahram Payandeh和埃迪赵。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。