面向跌倒检测的 IoT 流数据不规则模式识别
机器学习
2019-07-23 v1 人工智能
分布式、并行与集群计算
神经与进化计算
机器学习
摘要
实时流数据中的模式检测一直是一个有趣且具有挑战性的数据分析问题。随着各类传感器设备的普及，来自物联网（IoT）数据的实时分析以学习规律与不规则模式，已成为支持自动化通知与决策预测的机器学习重要问题。本工作中，我们解决了从可穿戴传感器流式的 IoT 数据中学习不规则人体活动模式——跌倒的问题。我们提出了一种基于加速度计数据检测跌倒的深度神经网络模型，利用 Vavoulas 等人发布的名为“MobiAct”的在线身体活动监测数据集达到了 98.75% 的准确率。初始模型使用 IBM Watson Studio 开发，随后迁移并部署于 IBM Cloud，由 IBM Streams 支持的流分析服务用于监测实时 IoT 数据。我们还给出了实时跌倒检测框架的系统架构，该框架拟与 mbientlabs 可穿戴健康监测传感器配合，用于退休之家或康复诊所的实时患者监测。
引用
@article{arxiv.1811.06672,
title = {Detecting Irregular Patterns in IoT Streaming Data for Fall Detection},
author = {Sazia Mahfuz and Haruna Isah and Farhana Zulkernine and Peter Nicholls},
journal= {arXiv preprint arXiv:1811.06672},
year = {2019}
}
备注
7 pages