一种识别老年人日常生活活动 (ADL) 的深度学习方法：利用交互依赖和时间模式-研究论文

确保独立生活的老年人的健康和安全是一个日益严重的社会问题。 日常生活活动 (ADL) 是监测这些公民的自理能力和疾病进展的常用方法。 然而，流行的基于传感器的 ADL 监控系统主要依赖于可穿戴运动传感器，捕获的信息不足以进行准确的 ADL 识别，并且不能提供对不同粒度的 ADL 的全面了解。 当前的医疗保健信息系统和移动分析研究侧重于研究系统、设备和提供的服务，需要一个端到端的解决方案来从移动传感器数据中全面识别 ADL。 本研究采用设计科学范式，并采用先进的深度学习算法来开发一种新颖的分层、多阶段 ADL 识别框架，以对具有不同粒度的 ADL 进行建模。 提出了一种用于卷积神经网络的新型 2D 交互内核，以利用人和物体运动传感器之间的交互。 我们在两个真实运动传感器数据集上根据最先进的基准（例如，支持向量机、DeepConvLSTM、隐马尔可夫模型和基于主题建模的 ADLR）严格评估每个提议的模块和整个框架不同粒度的 ADL：Opportunity 和 INTER。 结果和案例研究表明，我们的框架可以更准确地识别不同级别的 ADL。 我们讨论利益相关者如何从我们提议的框架中进一步受益。 除了展示实际效用之外，我们还讨论了对未来基于设计科学的网络安全、医疗保健和移动分析应用程序的 IS 知识库的贡献。