文摘

老年人的世界人口继续增长,专业人员照顾他们的负担(护理人员)也增加。在养老院,护理人员经常写每日报告,提高居民的生活质量。然而,由于每个护理员需要同时照顾多个居民,他们很难彻底记录居民的活动。在本文中,我们解决这个问题提出了一种自动每日报告生成系统,监控养老院居民的活动。提出系统估计的多个地点(地区)居民坐落BLE信标,使用各种方法来分析BLE的RSSI值信号,并认识到每个居民的估计区域的活动信息。估计的信息活动的居民使用时间戳,存储在一个服务器和服务器自动生成基于他们的每日报告。表明了系统的有效性,我们进行了一项实验的五天四与实际的养老院的参与合作。我们确定该系统的有效性与以下四个评价:(1)不同机器学习算法的性能比较,(2)比较平滑的方法,(3)比较的时间窗口,和(4)评价生成的每日报告。我们的评估显示最有效的组合模式在156模式准确地生成每日报告。我们得出这样的结论:该系统具有较高的效率,高可用性和高灵活性。

1。介绍

近年来,由于医疗技术的惊人的进步,人类的平均寿命已经显示出一致的倾向增加(1]。高级人口继续逐年增加,尤其是在发达国家。日本拥有世界上最高的利率,人均预期寿命和四分之一的人超过65。这样的老龄化社会给社会带来许多问题。一个关键问题是增加的负担在疗养院护理人员,负责多个老人,也就是说,养老院居民。

根据采访的所有者实际的养老院,Ikoi-no-ie 26 (Ikoi-no-ie 26(日本网站):http://www.lifecarejp.com),护理人员在这种设施的负担不断增加,和很多护理人员离开该行业很快由于严酷的他们的工作。很多养老院受到护理人员长期短缺。在养老院,护理人员执行各种任务,包括体检、康复支持,准备食物,厕所支持和谈话。如图1,他们也有写每日报告(记录一些主要居民活动),被政府用来确定对养老院的资助。老龄化社会下,情况会降低服务质量,由于护理人员必须准备每日报告在多个居民,破坏其他任务。

例如,假设一个看护照顾两个居民。一位居民正在做她的康复工作。护理员必须填写每日报告她的康复进展,同时支持康复活动。其他居民洗手间。护理人必须停止填写每日报告和支持他,这意味着护理员不能准确地报告康复。因此,记录multiresidents的活动是非常困难的护理人员和写每日报告的地方一个沉重的负担(2]。这个负担是一个严重的问题,会损害疗养院提供安全的能力,优质的服务,必须解决。

为了缓解这个问题,我们旨在确定如何使用ICT /物联网技术支持在疗养院护理人员的记录工作。我们所需的系统设置以下目标:(1)创建一个multiresident活动监视系统和(2)为每个居民每天自动生成报告。

在本文中,为了实现这些目标,我们提出一个系统,使用BLE信标,加上机器学习使用BLE的RSSI值信号作为特征量,认识到每个居民的位置在养老院。每个居民的估计位置用于识别他们从事的活动。认识活动的信息存储在一个服务器时间戳,和服务器自动生成基于他们的每日报告。

我们的工作是以下贡献:(我)首先,我们提供一个架构称为Movable-Beacon和Fixed-Scanner (mbf),这是我们提出系统的关键概念。在此体系结构中,一个祝福的灯塔是由居民和扫描仪安装在目标区域在环境方面。在现有的研究(3- - - - - -5],许多灯塔放置在环境和用户智能手机估计他们当前的区域。我们称之为建筑固定信标和Movable-Scanner (fbm)。然而,在疗养院使用fbm是不切实际的,因为智能手机普及率较低的居民和强迫他们随身携带智能手机造成的负担。在本文中,我们认为,提出架构降低了居民的负担。(2)其次,我们基于mbf的体系结构,描述了系统可以监控养老院居民的活动并自动生成每日报告对应。具体来说,我们表明,我们的系统是一个简单的成分只有四个组件BLE信标,扫描仪,一个服务器,web应用一种非常有用的设计,可以很容易地检查每个居民的护理人员的信息。(3)第三,我们开发一个祝福信标加速度计。这祝福信标包含以下三个组件:一个加速度计,祝福的微处理器模块和电池。BLE信标,附加到腰的居民,有独特的发展和类似于名牌。因此,其居民的负担很小。节6我们描述如何开发BLE灯塔在未来将用于康复支持。(iv)第四,我们显示我们提出系统的有效性通过为期五天的实验中有四个参与者合作称为Ikoi-no-ie 26的养老院。我们评估的有效性提出了系统和扩大我们的以前的工作6),进行以下四个评价:(1)比较的机器学习算法分类,(2)比较平滑的方法,(3)比较的时间窗口,和(4)生成每日评估报告。我们的评估提供最有效的组合模式提出系统准确地生成每日报告。(v)最后,我们表明,该系统明显具有较高的有效性和得出结论,本研究的研究目标是充分实现了基于实验结果。

本文的其余部分组织如下。提供了初步的工作部分2,部分3介绍我们的每日报告自动生成系统。节4我们描述了实验环境和评价方法。评价结果中描述的部分5,讨论我们的系统的可用性和灵活性提供了部分6。部分7审查现有的相关工作。最后,部分8本文总结道。

2。初步工作

我们研究的目标是(1)创建一个multiresident活动监视系统和(2)为每个居民每天自动生成报告。实现这些目标,我们进行了一些初步的合作下Ikoi-no-ie 26。在本节中,我们解释了基本的工作环境在疗养院和他们的动机,进行我们的研究是至关重要的。然后,我们描述以前作品(2,7- - - - - -10)和解释的要求提出系统的发展,如部分所述3。

2.1。基本知识和动机

在养老院,护理人员执行多种任务的同时照顾几个居民。例如,他们参与的健康检查,康复的支持,准备食物,厕所的支持,对话,等等。记录每日报告居民是他们最重要的任务之一。每日报告是护理报告,监控活动的居民和详细记录他们的活动。这些报道用于以下三个主要目的:(1)护理人员之间的信息共享,(2)决定后续的康复计划,以及(3)居民家庭和护理人员之间的沟通。因此,居民和护理人员的日常报告是至关重要的。

然而,从面试养老院的主人,我们发现记录居民的日常报告活动是繁重的。这个问题也引用了数篇论文。古板的et al。11)报道,记录工作占大约25%的护理人员的日常工作。井上et al。12)描述文档的最耗时的护理职责报告。每日报告的记录和文档的责任是最大的障碍,提高养老院的服务质量。

基于这些原因,我们认为,解决上述问题是非常重要的,在学术上和社会价值的老龄化社会。因此,为了减轻记录每日报告的沉重的负担,我们专注于开发一个系统,监测几个养老院居民和自动生成对应于每个人每日报告。

2.2。以前的工作

实现上述系统,有必要监视居住在养老院。首先,作为一个原型系统,我们提出了一种新颖的系统[7,8在哪些用户BLE信号灯和安装扫描仪在环境方面。在这个系统中,我们养老院分为几个方面,在每一个安装扫描仪。整天BLE灯塔是附加的服装居民和扫描仪收到祝福信标信号。然后通过比较计算BLE的RSSI值信号在每个扫描仪,该系统与最强的RSSI值估计该地区居民当前的区域。作为一个实验的结果,我们在Ikoi-no-ie 26日,一位居民现有面积约为59.5%的精度。然而,该系统面临的一个严重的问题。它的面积估计精度太低,因为RSSI值极大地改变了基于扫描仪的安装位置或设施的环境。此外,安装扫描仪时,我们必须考虑特定的养老院的问题,如居民对周边环境的变化敏感,电源的位置。我们需要伪装我们安装设备,这样居民无法看到扫描仪的位置(图2)。因此,我们需要将我们的系统在不同的高度安装位置的扫描仪或隐藏他们背后的训练设备。然而,由于扫描仪的安装位置的差异,有问题,相邻区域的扫描仪变得比扫描仪的接近居民位于的地方。因此,我们发现,估计该地区居民所在地只是比较RSSI值是很困难的。

接下来,上面的系统来解决这个问题,我们估计居民当前的区域通过机器学习(2,9,10)有一个估计方法,该方法考虑了影响每个扫描仪在每个区域的高度差在养老院。在养老院在我们的实验中,显示了系统的有效性,评估现有的一位居民10-cross-validation方法,和测量是80.6%。此外,本文表明,系统可以相对准确地生成每日报告与现有的估计结果。然而,我们并没有进行任何实验与多个居民在这些论文。评估现有的多个区域居民是很重要的,但实际上我们的实验只有一个居民。这个原因是,它可能来自多个居民的冲突RSSI信号发送一些祝福扫描仪和活动识别精度会恶化如果使用这个系统。此外,这些论文指出,小错误估计在几秒钟内产生的评估结果。因此,我们表明,活动识别的准确性可以进一步提高使用平滑方法能够消除错误的估计。

2.3。系统需求

通过我们之前的努力和采访养老院的主人,我们发现了一些问题。由于养老院有很多居民,我们的系统需要同时监视多个居民。然而,我们以前的工作没有考虑这一点。此外,监控位置的居民,我们假设他们拿着智能手机,确定它们的位置。然而,采访Ikoi-no-ie 26显示居民不喜欢这个责任,因为设备是沉重和麻烦的。因此,一个系统使用BLE信标是更可取的,在以往的工作。此外,如果一个系统不能使用摄像头或者麦克风是必需的在养老院,因为这些设备侵犯居民的隐私(我们“隐私入侵”定义为“不必要的和过度的监测,如摄像头或麦克风监视居民)。

因此,我们需要开发一个系统,保护居民的隐私和开发一种低成本的系统,因为大多数养老院面临预算约束,也就是说,资金不足为每个居民购买相机或智能手机。此外,在养老院,需要一个系统,可以立即将新居民,因为他们经常改变。基于上述讨论,我们定义以下系统需求:要求。1:它应该启用跟踪多个居民。要求。2:它应该是一个装置,地方小负担居民携带它。要求3:通常它应该保护居民的隐私。要求。4:它应该是低成本。要求。5:应该是没有数据收集可用于新居民。

因此,在这篇文章中,我们监控活动的多个居民使用的系统满足上述五个要求,自动生成每个居民的日常报告使用信息。

3所示。提出了系统

基于部分的讨论2.3每天,我们提出一个自动报告生成系统,监控养老院居民的活动。我们提出系统估计现在的多个地区居民利用机器学习与祝福的RSSI值信号特征量和识别每个居民的估计区域的活动信息。每个居民的认可活动的信息是存储在服务器的时间戳,然后服务器自动生成每日报告基于他们的每一个居民。在本节中,我们概述提出系统,解释了兆(Movable-Beacon和Fixed-Scanner)架构,这是我们建议的系统的关键概念,描述了基于mbf架构的应用程序设计。最后,我们解释活动识别的过程。

3.1。大纲

在养老院,目标活动地方活动(图3);例如,如果一个居民在洗手间面积,我们可以认出她活动在洗手间。当一个居民在康复领域,她的活动是做康复。我们安装固定扫描仪在目标地区活动发生,我们要监控,和居民携带BLE灯塔。利用机器学习系统识别特定活动的RSSI值BLE信号观察到每一个扫描仪的特性。在计划系统,fbm(固定信标和Movable-Scanner)体系结构不能采用我们的目标环境,由于居民携带智能手机在养老院。因此,我们提出了系统采用的mbf架构BLE灯塔是由居民和扫描仪安装在目标区域的环境。在这里,我们总结以下几方面,我们提出了系统特点:(我)该系统可以跟踪多个居民的活动,因为它可以区分它们的UUID,主要价值,和次要的价值包含在祝福的信号。(2)该系统是基于mbf架构。因此,他们只是以来居民负担很小BLE信标。(3)该系统具有低隐私问题,因为它不使用摄像头或麦克风。我们的系统观察BLE信标的信号。(iv)以来提出的系统是相对廉价的简单组合只有四个组件:一个祝福的灯塔,一个扫描仪,服务器和web应用程序。(v)拟议的系统可以将新居民没有数据收集,只需添加一个祝福灯塔。

因此,该系统满足需求中提到的1到5部分2.3。

3.2。兆架构

在这篇文章中,我们解释了一个架构称为mbf fbm架构的解决这个问题。一般来说,居民携带智能手机在养老院。然而,许多现有的研究估计他们的活动使用智能手机。在这些研究中(3- - - - - -5],许多灯塔放置在环境方面和用户智能手机,认识到他们的活动。我们称这样的架构fbm。事实上,当认识到养老院居民的活动,tag-less系统是理想的,因为小的特种设备必须进行。因此,fbm架构,需要智能手机进行,地方居民一个沉重的负担。

图4比较了兆和fbm架构。mbf架构是基于一个想法相反的fbm架构。近年来,一些研究类似mbf架构进行(13,14]。在兆体系结构中,用户侧带有祝福信标,扫描仪安装在目标区域的环境方面。因此,居民的负担很轻,因为他们不需要携带智能手机在养老院。BLE灯塔是为了减少居民的负担,因为他们是嵌入在标签名称经常穿的居民或连接到位置,不影响日常生活,比如腰部。因此,作为一个系统介绍给养老院,mbf架构比fbm更合适的架构,需要居民携带智能手机作为扫描仪。

3.3。系统设计

在本节中,我们描述该系统的设计。图5显示了其组成和数据流。系统由四部分组成:(1)一个祝福的灯塔,(2)一个扫描仪,(3)服务器,和(4)web应用程序。提出系统的设计是基于mbf架构。我们解释下面的每个组件。(1)BLE灯塔:祝福信标的发展是独一无二的,相对便宜和规模。我们开发BLE灯塔由一个加速度计,祝福的微处理器模块,和一个电池。它也可以发送加速度数据除了祝福信号如UUID的基本数据,主要的价值,和小的价值。BLE信标整合这些数据并将它们发送给每个扫描仪安装在目标地区每隔大约每秒5包。因为我们的祝福灯塔有一个加速度计,它将用于康复支持在未来。更详细的解释BLE信标节中讨论6。(2)扫描仪:我们开发了一个扫描仪使用覆盆子π,配有BLE电子狗(它接收灵敏度大约是100−−50 dBm)对接收信号的BLE信号灯和wi - fi无线上网卡发送数据到服务器。扫描仪和覆盆子π是便宜比使用智能手机的扫描仪。当每个扫描仪安装在目标区域接收数据从BLE灯塔,每个BLE信标信号的RSSI值计算和数据发送到服务器通过wi - fi添加安装区域的数据和一个时间戳。(3)服务器:从每个扫描第一次发送的数据存储在服务器的数据库(DB)。这个时候,服务器区分每个居民的UUID,主要的价值,和小的价值。服务器目前估计每个居民通过机器学习领域,基于数据库中的数据。然后服务器识别每个养老院居民的活动信息的基础上每个居民的估计区域并生成活动报告。(4)Web应用程序:最后,每个居民的活动报告的信息是实时自动生成web应用程序为每个居民每日报告。

拟议的系统是非常有用的,因为护理人员可以很容易地检查每个居民的信息随时随地实时在养老院。当然,这个系统必须准确地识别每个居民的活动。因此,在节3所示。4,我们详细描述活动识别过程。

3.4。活动识别流程

在一个小疗养院像Ikoi-no-ie 26日其内部建设往往是一个开放的空间。因此,评估当前区域的每个居民都是复杂的多路径的影响和/或祝福信号冲突问题的不同高度的扫描仪的安装位置。换句话说,认识到每个居民的活动是非常困难的。因此,我们最重要的技术挑战是正确认识每个居民的活动。在本节中,我们解释活动提出了系统识别的过程。我们估计目前的地区的居民利用机器学习和认识到居民的活动信息的基础上估计区域。我们描述了活动识别过程中以下三个阶段:(1)数据收集,构建分类模型(2),(3)平滑。每个阶段描述如下。

3.4.1。数据收集

在我们的系统,我们使用BLE的RSSI值信号特性。收集基于RSSI值描述的流部分3所示。3。大约五BLE每秒发送的信号。然而,祝福信号不稳定,因为他们的力量微小的变化取决于环境。不稳定信号的识别可能影响居民的活动。因此,利用机器学习之前,我们需要处理数据,减少不稳定信号的影响。我们尽量减少这样的影响通过计算的简单平均值获得的RSSI值每秒。

另一个问题是,发生丢失包的情况比预期的更频繁,因为祝福信号相对较弱。如果包丢失时,系统可能不会收到任何祝福信号。系统不能准确识别每个居民的活动当RSSI值不能获得。我们需要认真处理这个问题。因此,我们必须补充的RSSI值不能提前收到了通过使用虚拟数据,为了准确识别每个居民的活动。

如图6(即,部分。,the parts indicated by “–”) where RSSI values could not be obtained due to packet loss, the system complements for them by −100 dBm, which is the lower limit of the receiving sensitivity of a BLE dongle as dummy data. In contrast, for the parts where the RSSI values were obtained, the system calculates the simple mean value of the RSSI values that were obtained per second to reduce the influence of unstable signals. If more than one RSSI value is obtained per second, we do not compensate for the missing values using dummy data even if packet loss occurs. Since the dummy data have very low values compared to the other obtained RSSI values, when simple mean values are calculated using RSSI values including the dummy data, the values become incorrect. In this case, we do not compensate for the missing values using dummy data.

我们还安装了摄像头在Ikoi-no-ie 26收购groundtruth数据Ikoi-no-ie 26获得业主的批准之后,它的居民,他们的家庭。我们手动标签查看录像时收集到的数据。标签,我们提前数字分配给每个区域。

3.4.2。建筑的分类模型

数据收集后,我们根据收集到的数据构造分类模型。我们使用scikit-learn [15),这是一个机器学习库构建分类模型。这个库构造分类模型基于大量的机器学习算法。我们构造分类模型采用以下四个机器学习算法中所使用的几种研究[16- - - - - -19):(1)逻辑回归,(2)支持向量机,(3)随机森林,和(4)梯度提高决策树。

逻辑回归(LR) [20.,21)是一个著名的统计分类算法预测两个因变量。此外,我们可以通过设置多个应用多个类进行分类变量提供更快和更健壮的结果比其他分类算法。

支持向量机(SVM) (22)是一个典型的模式识别和监督学习算法,分析数据用于分类和回归分析。这个算法的特征包括最大边际超平面和内核的把戏。它具有较高的泛化能力的学习算法中数据分类。

随机森林(RF) (23)是一种基于集成学习的机器学习算法。它使用多个决策树(24)弱分类器,得到分类结果通过整合这些弱分类器的结果。它有更高的性能和更短的计算时间为特定目标比其他算法。

梯度提高决策树(GBDT) [19,25)是一个使用决策树算法。像其他集合算法,这是逐步建立,每个连续的估计减少了先前模型的误差。它需要更长的时间来构建一个模型比随机森林因为每棵树结果的基础上构建一个预先构建的树。

这些机器学习算法的性能的比较在我们的研究中描述的部分5。

3.4.3。平滑

图7显示了一个示例的一个活动分类结果,称为每日报告在这篇文章中。这个图显示的结果显示居民的认可活动每一秒时间序列的顺序。从这个结果中,我们发现许多错误分类,这是由于多路径的影响和/或祝福信号冲突和问题的不同高度的扫描仪的安装位置。通过这种方式,即使机器学习,许多不稳定信号的影响仍然存在。因此,准确地认识到居民的活动,我们需要减少的影响不稳定信号即使机器学习。在本文中,我们提出以下两个平滑方法:(1)通过最频繁的值(MFV)和(2)通过机器学习。

首先,我们描述平滑通过最常见的值(MFV)。图8显示了一个示例最常见的平滑值(时间窗口设置为奇数秒)。我们首先设定一个时间窗口,使用范围执行平滑的分类结果。如果窗口设置为奇秒的时候,我们需要给的(时间窗口/ 2)前后的平滑。在这个时候,小数点是抑制。即使时间窗口设置为秒,我们需要给的优势{(时间窗口/ 2)−1}在平滑的范围和幅度后(时间窗口/ 2)。如果时间窗口是一个偶数,给保证金的方式可能会逆转。这个保证金是必要的计算最常见的平滑的开始点和结束点的价值范围内,如图8。尽管数据在这个保证金不能显示在日常报告,它不是一个问题,因为最多大约几十秒的观测数据受影响一天。

然后,我们数最常见的时间窗内的区域数据的价值。最常见的值是决定分类活动时间窗内。然后,我们取代部分包围着红色的方块图8,中间的时间窗口的一部分,确定分类的活动。如果有两个或两个以上的最频繁的价值观在这个时候,我们确定时间窗内的分类活动基于高优先级活动,提前设置。我们定义高优先级活动活动,我们想要可靠地识别在日常报告,尤其是卫生间和洗澡,包含重要的信息。优先活动除了厕所和浴室,我们还决定他们全面基于信息保持时间在每个区域的居民和建议从养老院的所有者。我们做了平滑而滑动时间窗口一个接一个的从开始到结束点平滑范围。

第二,我们描述平滑通过机器学习。这种方法柔滑的使用分类模式(即机器学习。,部分包围蓝色虚线图8,例如,“11514”和“15145”)活动时间窗内的一个特征量。这个时候,groundtruth数据使用一个居民的实际活动。我们使用四个机器学习算法中的三个(不含SVM)中所描述的部分3.4。2创建分类模型。对于一个真正的系统,由于优化基于每个养老院是必需的,我们相信,支持向量机,需要学习时间,平滑过程中是不可取的。在这种方法中,在相同的平滑过程作为一个基于最常见的平滑方法的价值,利用构造分类模型执行平滑。

比较两种滤波方法(四种模式)中描述的部分5。

4所示。实验

在本节中,我们描述我们的实验使用该系统在实际的养老院。首先,我们的实验大纲和解释其环境。最后,我们解释评价方法。

4.1。试验大纲

给我们提出了系统的有效性,我们进行了一项实验Ikoi-no-ie 26和收集的数据5天从四个参与者(2男性和女性)。四个参与者中的三个居民,另一个是负责照顾。护理员的数据获得仅作为训练数据。如图9发达BLE信标,参与者戴我们的腰,这并不妨碍他们康复或娱乐活动。然后参与者就可以正常的一天。每个参与者都收集的数据流描述的部分3所示。3。我们的实验有以下三个目的:(1)确定有效的机器学习算法,(2)确定有效的平滑方法,和(3)选择适当的时间窗口。

4.2。环境

Ikoi-no-ie 26是一个实际的养老院,有250米²地板上。图10显示其内部视图,和图11显示了它的平面图。在实验中,我们把地板到这六个目标领域:卫生间、浴室,康复,休息,娱乐和生活。我们确定他们基于讨论Ikoi-no-ie 26的所有者。厕所和浴室区域是封闭空间滑动门后面,等领域的开放空间。在实验中,我们跟踪四个参与者通过安装9扫描仪的位置用红圈(图表示11)。从扫描仪服务器收集数据并自动生成每个参与者的活动报告。护理人员可以阅读每日报告他们的平板电脑或PC。我们还安装了两个摄像头获取groundtruth数据(图11)。

4.3。评价方法

我们进行了以下四种评估和解释他们的详细结果5。(一)机器学习算法的分类比较。我们评估四种机器学习算法的分类性能,确定最有效的一个。我们评估了机器学习算法的分类性能,通过比较每个活动使用的识别准确性leave-one-person-out交叉验证。重要的因素在确定一个有效的机器学习分类算法不仅活动识别精度高,而且是否厕所和浴室活动(其识别我们优先在日常报告)是准确识别。因此,我们没有确定一个有效的机器学习算法的分类只有平均识别精度;相反,我们全面确定调查每个活动的识别精度。(b)平滑方法的比较。我们评估了两种滤波方法的性能并确定最有效的通过调整平滑方法之一(四种模式)的机器学习算法分类确定评价(a)。与Ikoi-no-ie 26的老板讨论之后,我们决定每个活动的优先级与机器学习平滑如下:(1)厕所,洗澡(2),(3)康复,(4)休息,(5)娱乐,生活(6)。(c)比较的时间窗口。我们调查的影响,应用不同时间窗组合模式由评估(a)和(b)选择一个合适的时间窗口,确定最后的组合模式的结果。(d)评估生成每日报告。最后,我们评估了该系统通过比较每日报告的有效性groundtruth生成的数据和最终的组合模式由评估(一),(b)和(c)。在这个评价,我们表明,该系统可以将新居民没有数据收集。

5。结果

5.1。机器学习算法的比较结果分类

首先,我们的机器学习算法的性能进行了评价分类通过比较每个活动使用的识别准确性leave-one-person-out交叉验证。图12机器学习算法的比较结果分类。横轴表示每个活动和加权平均和纵轴显示了测量。

如图12加权平均,所有算法相对较高测量超过0.65。支持向量机、射频和GBDT保持相对稳定所有活动的措施。相比之下,LR显示了整体较低测量比上面的算法。特别是,娱乐和生活活动的测量,低优先级,是相对较高的,但测量活动共用厕所和浴室,高优先级,非常低。此外,恢复和休息活动的测量,中等优先级,也非常低。从这些原因,我们排除了LR较低测量在这个评估。因此,我们决定支持向量机、射频和GBDT本研究有效的分类算法。

图13显示生成的日报报道(分类结果)决定算法(适应平滑方法之前)。许多错误分类仍在每个每日报告生成的选择算法。因此,我们必须减少它们。我们相信每日报告更高的精度可以通过减少这些错误分类生成。因此,我们澄清了平滑方法是有效运用两种平滑方法在下一小节中确定算法。

5.2。平滑方法的比较结果

我们确定最有效的平滑方法通过调整平滑方法(四种模式)的机器学习算法分类确定部分5.1。表1显示的比较结果(时间平滑方法 )。最上面一行显示的机器学习算法分类确定部分5.1,第二行显示了平滑的机器学习算法。注意,CR之前显示了分类结果调整平滑方法。此外,数字表1显示了测量。在这个评估中,我们使用一个值 秒的平滑方法来确认每个方法的影响。

适应平滑方法后,我们发现测量变得相当高的组合模式除了CR。因此,应用平滑方法是有效的。然而,当机器学习应用到平滑,认不出来活动发生。平滑的LR无法识别(例如, )厕所、康复和休息活动,无论机器学习算法用于分类确定。平滑通过射频或GBDT无法识别休息活动。在日常报告,需要详细信息,识别活动显然造成问题。因此,机器学习为平滑不是非常有效。

另一方面,平滑的最常见(MFV)倾向于有更高的价值测量活动除了休息和CR相比,无论机器学习算法的分类确定部分5.1。的测量静息活动往往低于CR,但是这并不意味着这个活动不能被认可。因此,因为平滑MFV比平滑通过机器学习更有效,我们专注于它。

我们比较RF-MFV的组合模式,GBDT-MFV, SVM-MFV。SVM-MFV较低测量在厕所和浴室活动,具有更高的优先级比其他组合模式。此外,这种组合有一个低测量的加权平均比其他组合。相比之下,RF-MFV和GBDT-MFV更高措施上厕所和洗澡比SVM-MFV活动。在日常报道中,正确认识信息活动共用厕所和浴室是至关重要的。因此,在这个评估,我们决定RF-MFV的组合模式和GBDT-MFV识别精度高的活动和最有效的组合模式在12组合模式。

5.3。比较结果的时间窗口

接下来,我们研究应用不同时间窗组合模式的影响取决于部分5.2选择一个合适的时间窗口。图14显示比较结果的时间窗这种组合模式:RF-MFV和图15显示比较结果的时间窗这种组合模式:GBDT-MFV。横轴表示时间窗,纵轴显示了测量。在这个评估中,我们调查的影响,使用不同时间窗的0到120秒(13)模式。

如数据所示14和15,我们没有发现显著的改善测量每个活动即使使用任何时间窗口。在这种情况下,我们需要选择适当的基于优先级的时间窗口。最重要的因素在确定适当的时间窗口测量高上厕所和洗澡有高优先级的活动。基于这样的政策,从数字14和15,我们决定每个组合的时间窗口模式如下。窗口是60秒的时间GBDT-MFV RF-MFV 50秒。在这个评估,我们决定这些模式,最后结合模式在156组合模式。

5.4。评价结果生成的每日报告

我们评估的有效性提出系统通过比较每日报告groundtruth生成的数据和通过最后的组合模式由部分5.3。图16显示生成每日报告的最终组合模式。上面的图表显示了一个由RF-MFV(时间每日报告 )。中间的图显示了一个由GBDT-MFV(时间每日报告 )。下面的图显示了一个日常报告groundtruth生成的数据。

从图16,我们证实,该系统能够准确地生成每日报告在某种程度上使用RF-MFV(时间 )和GBDT-MFV(时间 )。RF-MFV(时间 )可以输出厕所、生活和娱乐活动。我们还发现,GBDT-MFV(时间 )可以精确输出厕所,浴室,在某种程度上和娱乐活动。然而,我们仍然看到太多的误分类结果图16。这样的错误分类并不严重,因为我们可以相对准确地把握一个参与者为一天的活动。因此,我们得出结论,最后结合模式是基于这些结果充分有效。

最后,表2显示了三个参与者的评价结果Ikoi-no-ie 26居民。加权平均,该系统具有较高的分数超过大约0.80在每个精密,回忆,和衡量指标。参与者A和C有特别高的分数为每个索引。此外,参与者为每个索引B具有较高的分数,虽然有点低于参与者的分数和c我们实现这些结果通过评估该系统leave-one-person-out交叉验证。换句话说,这一结果意味着,该系统可以将新居民没有数据收集。因此,它满足要求5节中,我们讨论了2.3。这个结果也表明,该系统能够准确地跟踪multiparticipants的活动。它也满足要求1节2.3。因此,我们提出了系统充分实现了本研究的研究目标。

6。讨论

在评估部分5,我们决定RF-MFV(时间 )和GBDT-MFV(时间 )作为最有效的156组合模式。我们发现,每日报告生成的这些有效的组合模式在一定程度上准确地输出。为其他居民获得了相同的结果。这些结果意味着该系统同时监控multiresidents的活动和自动生成对应于每个居民每日报告。因此,我们提出了系统充分实现了我们的研究目标。同时,该系统充分满足节中描述的所有需求2.3从系统设计和评价结果。在本节中,我们讨论我们提出了系统的可用性和可伸缩性获得一个清晰的结论。

6.1。可用性

首先,我们讨论该系统的可用性。调查其可用性,我们讨论了它的主人Ikoi-no-ie 26,并采访了实验的参与者流动性的明灯。我们从所有者和参与者获得以下结果:(我)拟议的系统是一个适当的原型Ikoi-no-ie 26日以来每个居民的活动和新居民被看护者可视化没有任何体力劳动。它满足要求1和5节2.3。(2)发达BLE灯塔提出系统中使用的光足以让老年人携带。它满足要求2节2.3。(3)该系统提出了没有隐私问题,因为它不使用摄像头或者麦克风。它满足要求3节2.3。(iv)拟议的系统很容易引入即使在一个小的养老院,因为它是紧凑的和便宜的。它满足要求4节2.3。

上述结果满足所有的需求2.3充分证明我们所提出的系统有助于护理人员的护理职责/任务在疗养院。此外,它的地方一个小用户负担和较低的居民的隐私问题。因此,因为它非常易于使用的护理人员和居民,它具有较高的可用性。

6.2。灵活性

接下来,我们将讨论我们提出了系统的灵活性。特别是,我们相信我们开发的灵活性BLE灯塔是非常高的。因为我们祝福灯塔有一个加速度计使用硬件加速计,陀螺仪,和地磁传感器,我们可以获得各种有用的信息,例如,详细活动,每个传感器的步骤通过分析获得的数据。我们相信利用BLE信标将用于康复支持未来老龄化社会。这里,我们列出三个例子显示我们的祝福信标的灵活性:(我)发达BLE信标的分类器识别以下活动:“坐”,“站起来,”和“行走。“它可以识别由养老院居民的活动。生成更详细的每日报告可能会利用这些活动认识的结果(2,9,10]。(2)发达BLE信标可以测量每个居民的一些步骤通过分析获得的加速度数据。也许每个居民的体育活动可以抓住通过测量这些步骤。居民的体育活动识别日报》报导也很重要,因为一天的活动的比例是关键信息获取他们的健康。(3)发达BLE灯塔使用硬件加速计,陀螺仪,地磁传感器。因此,也许康复的类型可以被这些传感器数据整合和分析。如果我们的祝福信标可以识别康复的类型,每日报告的完整性将进一步改善。

因此,我们得出结论,我们提出了系统具有较高的灵活性。

7所示。文献综述

有许多相关的研究提出的系统。在本节中,我们讨论在接下来的三个部分:(1)位置估计技术,(2)活动识别技术,(3)卫生保健活动报告生成。

7.1。位置估计技术

位置估算技术提出了基于多种技术,包括wi - fi信号(26),祝福信号(3,4,27),磁场(28)、红外(29日),和超声波30.]。例如,基于成像系统是最著名的技术之一31日,32]。然而,他们不适合我们的目标环境,因为他们无法区分人,除非他们面临被清楚。如果我们设置几个相机在房间的中心,人的脸被相机太小被认可。如果我们设置这么多摄像头,成本增加,个人隐私是违反了随着相机精度增加。因此,它们不适合我们的目标环境。

基于被动RFID系统的位置估计技术也被提出(33- - - - - -37]。这些技术主要使用概率模型估计的位置称为传感器模型或读者的组合形成的方向性天线和一个RFID标签。然而,因为他们需要至少一个阅读器天线或一个特殊的设备来接收无线电波从被动RFID标签,我们不能使用它们在我们的目标环境,因为他们增加居民的负担。此外,这些研究并没有同时估计多个人或对象的位置。

基于wi - fi的位置估计技术和/或祝福信号也被提出(38- - - - - -42]。这些技术实现较高定位精度的估算基于三角测量位置,指纹,信号强度(SS),到达时差(辐射源脉冲),到达时间(TOA)和到达角(AOA)。然而,他们需要智能手机等设备接收wi - fi和/或祝福的信号。因此,居民的负担增加。所以,我们不能在我们的目标环境中使用它们。

7.2。活动识别技术

一些研究关注活动识别(17,43,44]。活动识别技术使用可穿戴式加速度计精度已经达到超过90%等简单的活动散步,坐在,跑步,睡觉45]。李和激射微波(46)提出了一种技术来估计“走”,“运行”,和“坐下”附带一个加速度计和陀螺仪给用户。技术包和Intille47)使用五可穿戴式加速度计和公认的20活动,如看电视,清洁,和工作。建筑师et al。48]介绍了智能家居中的一个活动识别系统利用超声波传感器室内定位系统和电表连接到每个家电。

利用上述技术,居民携带智能手机或几个可穿戴设备。然而,他们不喜欢带着他们,就像我们描述的“位置估计技术。“此外,大多数收集加速度数据与智能手机和使用高性能计算机进行机器学习。因此,这些技术不适合我们的目标环境。

7.3。卫生保健活动报告生成

在卫生保健(其他研究解决活动报告生成49- - - - - -51]。井上et al。12]调查活动识别的护士在医院和估计他们的活动与加速度计通过移动设备由护士和贝叶斯估计。他们报告说,最耗时的职责之一是护理所需的文档报告。文档在医院和养老院是一个瓶颈,必须删除之前可以提高服务质量。然而,这些研究都假定用户随身携带智能手机等移动设备。此外,由于这些研究不能应对新居民,他们是不适合我们的目标环境。

8。结论

我们提出一个每日报告自动生成系统,监视活动的居民在疗养院。拟议的系统估计的当前区域多个居民利用机器学习与祝福的RSSI值信号特征量和识别每个居民的估计区域的活动信息。每个居民的认可活动的信息是存储在服务器的时间戳。系统自动生成每日报告基于它们对应于每个居民。给我们提出了系统的有效性,我们在一个实际的养老院做了一个实验。以下是我们的主要发现:(我)RF-MFV(时间 )和GBDT-MFV(时间 )组合模式是最有效的在156个组合模式。(2)该系统可以准确地生成每日报告,对应于每个居民在某种程度上使用上面的组合模式。(3)该系统可以准确地跟踪多个参与者的活动。(iv)该系统可以将新居民没有数据收集。(v)提出了系统高可用性和高灵活性的基础上,讨论部分6。

自从我们提出系统圆满实现了我们的研究目标,我们认为它可以充分帮助护理人员在养老院的日常工作。另一方面,获取信息的问题(特别是食品和生命体征信息),我们不能获得在计划系统是至关重要的。未来的工作将开发一个系统,很容易获得这些信息和鼓励在精确的时间输入终端被照护者当居民和护理人员进入一个领域以上信息必须输入。

数据可用性

使用的数据来支持本研究的发现没有可用因为作者有一个合同数据使用的养老院是用作实验装置。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作在一定程度上是由日本政府支持Monbukagakusho:日本社会科学促进KAKENHI格兰特16号h01721和16 k00126。同时,作者要感谢汤川先生,Ikoi-no-ie 26日的老板给他们许多有吸引力的建议,以促进这项工作以及提供Ikoi-no-ie 26作为本研究实验平台。