基于传感器数据的老年人进餐活动监测：无监督分类方法比较
机器学习
2024-09-06 v1 信号处理
应用统计
摘要
在人口结构向老龄化转变的时代，鉴于衰弱情况的增加，迫切需要改善营养监测。本研究旨在通过结合 K-Means、GMM 和 DBSCAN 技术来提高进餐活动的识别能力。使用 Davies-Bouldin 指数（DBI）确定最优进餐活动聚类，结果表明 K-Means 似乎是最佳解决方案，得益于其在数据划分方面无与伦比的效率，相比 GMM 和 DBSCAN 的能力具有优势。后两种方法虽然能够识别复杂模式和离群点，但受限于其操作复杂性及对精确参数配置的依赖。本文处理了来自 4 个配备传感器的房屋的数据。研究结果表明，应用 K-Means 方法产生了高性能，具体表现为极低的 Davies-Bouldin 指数（DBI），说明了最优的聚类分离度和内聚度。使用 GMM 算法计算每项活动的平均持续时间，可以区分不同类别的进餐活动。或者，这可以对应于一天中适合每种进餐活动的不同时间。使用 K-Means、GMM 和 DBSCAN 聚类算法，本研究展示了一种有效策略以全面理解数据。该方法有助于比较和选择最合适的方法以实现最优进餐活动聚类。
引用
@article{arxiv.2409.02971,
title = {Meal-taking activity monitoring in the elderly based on sensor data: Comparison of unsupervised classification methods},
author = {Abderrahim Derouiche and Damien Brulin and Eric Campo and Antoine Piau},
journal= {arXiv preprint arXiv:2409.02971},
year = {2024}
}