The Internet-of-Things based Fall Detection Using Fusion Feature

Nguyen, Tuan-Linh; Le, Tuan‐Anh; Pham, Cuong

doi:10.1109/kse.2018.8573328

Cited by 6 publications

(13 citation statements)

References 12 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…However, anomaly should not always be considered error. It may also show some interesting patterns that stand different from the rest of the data [13]. Data collected from WSN are quite interesting and show different patterns [4].…”

Section: Introductionmentioning

confidence: 95%

Machine Learning Based Hybrid Model for Fault Detection in Wireless Sensors Data

Vamsi¹,

Chahuan²

2018

ICST Transactions on Scalable Information Systems

View full text Add to dashboard Cite

Wireless Sensor Networks (WSN) refers to a group of spatially deployed and dedicated sensors for sending, recording, and monitoring the physical conditions of the environment and transmitting the collected data to a central location. The major challenge is to extract high level knowledge from such data. Detecting abnormality in such data can help finding the faulty sensor and also the sensor collecting the most interesting reading from the dataset. This paper proposes a machine learning based hybrid model for knowledge discovery that works best with multivariate time-series data. The Intel Berkeley Research lab ( IBRL) dataset is one of the most trending dataset collected by a WSN is considered for the study. The spatial-temporal correlation was also taken as reference to find anomalies in the dataset using three models-1)Histogram Based Outlier Score (HBOS), 2) Minimum Covariant Determinant (MCD) and 3) Isolation Forests (IF). Further, the electrical configuration about components of WSN has been used to find faults among the outliers found in the dataset. The results show that the proposed hybrid model with Isolation Forest outperformed with a precision of 94.86%. The experiment was also able to spot the least trustful or faulty sensors among the deployed sensors in IBRL dataset.

show abstract

Section: Introductionmentioning

confidence: 95%

Machine Learning Based Hybrid Model for Fault Detection in Wireless Sensors Data

Vamsi¹,

Chahuan²

2018

ICST Transactions on Scalable Information Systems

View full text Add to dashboard Cite

show abstract

“…In this, the inputs are obtained from radar signals to detect velocities, acceleration of human body parts, and images from optical camera. Other works along similar lines include references [61,62]. Table 2 shows a snapshot of the recent research in the application of machine learning to fall detection using wearable systems.…”

Section: Tsinganos and Skodrasmentioning

confidence: 99%

A Survey on Recent Advances in Wearable Fall Detection Systems

Ramachandran

Karuppiah

2020

BioMed Research International

114

View full text Add to dashboard Cite

With advances in medicine and healthcare systems, the average life expectancy of human beings has increased to more than 80 yrs. As a result, the demographic old-age dependency ratio (people aged 65 or above relative to those aged 15–64) is expected to increase, by 2060, from ∼28% to ∼50% in the European Union and from ∼33% to ∼45% in Asia (Ageing Report European Economy, 2015). Therefore, the percentage of people who need additional care is also expected to increase. For instance, per studies conducted by the National Program for Health Care of the Elderly (NPHCE), elderly population in India will increase to 12% of the national population by 2025 with 8%–10% requiring utmost care. Geriatric healthcare has gained a lot of prominence in recent years, with specific focus on fall detection systems (FDSs) because of their impact on public lives. According to a World Health Organization report, the frequency of falls increases with increase in age and frailty. Older people living in nursing homes fall more often than those living in the community and 40% of them experience recurrent falls (World Health Organization, 2007). Machine learning (ML) has found its application in geriatric healthcare systems, especially in FDSs. In this paper, we examine the requirements of a typical FDS. Then we present a survey of the recent work in the area of fall detection systems, with focus on the application of machine learning. We also analyze the challenges in FDS systems based on the literature survey.

show abstract

“…Do đó, trong trường hợp có các lớp hoạt động bình thường và bất thường, mô hình sẽ học các đặc tính của các điểm dữ liệu này và phân loại chúng là hoạt động bình thường hay bất thường. Bất kỳ điểm dữ liệu nào không phù hợp với lớp hoạt động bình thường sẽ được mô hình phân loại là bất thường [9].…”

Section: Các Nghiên Cứu Có Liên Quanunclassified

“…Đầu ra của lớp hồi qui là một chuỗi các vectơ ( ) với = 1, ..., . Đối với tác vụ định hướng hồi quy (regression-oriented), giá trị của mỗi phần tử trong vectơ ( ) nằm trong ±1, ( ) -PTITAct [9]: là tập dữ liệu được thu thập từ 26 người gắn thiết bị internet vạn vật kết nối (IoT) ở thắt lưng. Thiết bị được tích hợp cảm biến gia tốc, con quay hồi chuyển, và từ kế.…”

Section: Lớp đầU Raunclassified

“…-Máy véc tơ hỗ trợ (SVM): với các bước tiền xử lý và trích xuất đặc trưng từ dữ liệu cảm biến được tham khảo từ nghiên cứu [9]. Các véc tơ được tính từ các cửa sổ trượt được dùng để huấn luyện mô hình SVM với tham số C=1, lămda là kết quả của tìm kiếm lưới (grid search) và hàm tích RBF.…”

Section: Các Mô Hình Thử Nghiệm (Baselines)unclassified

See 1 more Smart Citation

Phát hiện hoạt động bất thường của người bằng mạng học sâu tích chập kết hợp mạng bộ nhớ dài ngắn

Tuấn¹,

Pham²,

Văn³

2020

Chuyên san CNTT-TT

Self Cite

View full text Add to dashboard Cite

Bài báo này đề xuất một mô hình học sâu nhân chập kết hợp với mạng bộ nhớ dài ngắn (CNN-LSTM) cho bài toán phát hiện các vận động bất thường của người sử dụng cảm biến đeo trên người. Nhờ tận dụng các đặc tính không-thời gian, kiến trúc đề xuất CNN-LSTM đã được thiết kế để tự động học và biểu diễn các đặc trưng hiệu quả trên dữ liệu cảm biến không thuần nhất (heterogeneous sensing data). Kết quả thử nghiệm trên 4 tập dữ liệu được công bố cho thấy mô hình đề xuất đã cho kết quả cải tiến tốt hơn từ 2% đến 7% F1-score so với các mô hình học máy dựa trên trích xuất đặc trưng thủ công SVM, mô hình học sâu nhân chập (CNN) và mô hình mạng bộ nhớ dài ngắn (LSTM).

show abstract

The Internet-of-Things based Fall Detection Using Fusion Feature

Cited by 6 publications

References 12 publications

Machine Learning Based Hybrid Model for Fault Detection in Wireless Sensors Data

Machine Learning Based Hybrid Model for Fault Detection in Wireless Sensors Data

A Survey on Recent Advances in Wearable Fall Detection Systems

Phát hiện hoạt động bất thường của người bằng mạng học sâu tích chập kết hợp mạng bộ nhớ dài ngắn

Contact Info

Product

Resources

About