Resumen

En este trabajo se propone un sistema de asistencia sanitaria basado en la nube para personas mayores que ofrece detección de comportamientos anómalos de la marcha, clasificación, diagnóstico en línea y servicio de ayuda a distancia. Se utilizan terminales móviles inteligentes con sensor de aceleración triaxial integrado para capturar la información de movimiento y deambulación de las personas mayores. Las señales recogidas se mejoran primero mediante un filtro de Kalman. A continuación, se extrae la magnitud de las características del vector de señales y se descompone en una combinación lineal de átomos de Gabor mejorados. Se introduce el método de análisis de Wigner-Ville y se estudia el problema mediante un análisis conjunto de tiempo y frecuencia. Para resolver el problema de la falta de datos de comportamiento anormal a gran escala en el proceso de formación, se propone un método de aprendizaje SVM incremental basado en la nube (CI-SVM). Los datos originales de comportamiento anormal se utilizan primero para obtener el clasificador SVM inicial. Y los datos de comportamiento anormal más grandes de ancianos recogidos por los dispositivos móviles se reúnen en la plataforma en la nube para llevar a cabo el entrenamiento incremental y obtener el nuevo clasificador SVM. Mediante el método de aprendizaje CI-SVM, el conocimiento del clasificador SVM puede acumularse gracias al aprendizaje incremental dinámico. Los resultados experimentales demuestran que el método propuesto es viable y puede aplicarse al cuidado de ancianos, la ayuda de emergencia y otros campos relacionados.

• Materias:Biotecnología Nanotecnología Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Nanotechnology Sensor networks Sensor system Sensor technology
• Palabras claves:detección de comportamiento anormal al andar, datos de comportamiento anormal más grandes, datos de comportamiento anormal originales, terminales móviles inteligentes, método de aprendizaje svm, método de análisis ville, datos de comportamiento anormal, aprendizaje incremental dinámico, átomos de gabor mejorados, sistema sanitario
• Keywords:abnormal gait behavior detection, larger abnormal behavior data, original abnormal behavior data, intelligent mobile terminals, svm learning method, ville analysis method, abnormal behavior data, dynamic incremental learning, enhanced gabor atoms, health care system