Show simple item record

dc.contributor.advisorΓούδας, Θεοδόσιος
dc.contributor.authorΔράκος, Ανδρέας
dc.contributor.otherDrakos, Andreas
dc.coverage.spatialΚύπροςel_GR
dc.date.accessioned2020-02-17T08:51:08Z
dc.date.available2020-02-17T08:51:08Z
dc.date.copyright2020-02-17
dc.date.issued2019-11
dc.identifier.otherΕΠΤ/2019/00019el_GR
dc.identifier.urihttp://hdl.handle.net/11128/4398
dc.descriptionΠεριέχει βιβλιογραφικές παραπομπές.el_GR
dc.description.abstractΗ νοσηλεία ηλικιωμένων χωρίς παρακολούθηση προκαλεί πτώσεις ασθενών, οι οποίες θεωρούνται βασική αιτία σοβαρών τραυματισμών. Εκτός από τους σωματικούς τραυματισμούς, έχουν επίσης ψυχολογικές συνέπειες, καθώς επίσης συνδέονται και με ιατρικές δαπάνες. Η επιτήρηση, με φυσική παρουσία ανθρώπων, που είναι η κύρια λύση για την αποφυγή πτώσεων, είναι δαπανηρή. Για το λόγο αυτό, πολλές προσπάθειες ερευνητών, με διάφορες τεχνολογικές λύσεις, επικεντρώθηκαν στον τομέα της ανίχνευσης και πρόληψης πτώσης. Παραδείγματα τέτοιων τεχνολογικών λύσεων αφορούν μια ποικιλία αισθητήρων που συνδέονται με το σώμα, το κρεβάτι ή το πάτωμα. Αυτή η διπλωματική διατριβή βασίστηκε στη χρήση ασύρματου, φορετού, χωρίς μπαταρίες, χαμηλής ισχύος και χαμηλού κόστους αισθητήρα (Wearable Wireless Identification and Sensing Platform, W2ISP). Τα σύνολα δεδομένων για την ερμηνεία, προκειμένου να αναγνωριστούν οι διάφορες δραστηριότητες, παράχθηκαν από ένα τρισδιάστατο επιταχυνσιόμετρο και τη μεταδιδόμενη ισχύ σήματος από το W2ISP. Τα δεδομένα επίσης αφορούσαν υγιείς ηλικιωμένους που φορούσαν το W2ISP, εφαρμοσμένο στα ρούχα τους, στο επίπεδο του στέρνου, αναλαμβάνοντας μια σειρά δραστηριοτήτων σε δύο κλινικές αίθουσες. Σε αυτή τη μεταπτυχιακή διατριβή, για την αξιολόγηση της προσέγγισής μας και την επιτυχή διάκριση της αναγνώρισης των δραστηριοτήτων, παρουσιάζεται μια σύγκριση επιδόσεων μεταξύ μερικών από τους πιο δημοφιλείς αλγόριθμους εποπτευόμενης μηχανικής μάθησης που χρησιμοποιήθηκαν σε συστήματα ανίχνευσης πτώσης. Αυτοί είναι οι: Random Forest (RF), Support Vector Machine (SVM), K nearest neighbor (k-NN) και neural network MultiLayer Perceptron (MLP). Για την ταξινόμηση δεδομένων χρησιμοποιήθηκε η μέθοδος αξιολόγηση k-fold cross validation με 10 folds. Χρησιμοποιήθηκαν διαφορετικές στατιστικές μετρήσεις για την αξιολόγηση των παραγόμενων μοντέλων, όπως η ακρίβεια, η ανάκληση, η F-measure και η Kappa Statistic. Τα ευρήματα δείχνουν ότι τα καλύτερα αποτελέσματα προέρχονται από τον αλγόριθμο RF. Το μοντέλο πέτυχε αποτελέσματα ακρίβειας (precision) πάνω από 98% (Room 1) και 93% (Room 2), η ανάκληση (Recall) ήταν > 96,5% και 90,9% αντίστοιχα, ενώ η F-measure ήταν > 97% και 91,9% αντίστοιχα. Τα υψηλά αποτελέσματα επιβεβαιώνουν την εγκυρότητα της προσέγγισής μας και η απόδοση της ξεπερνά τις προηγούμενες παρόμοιες μελέτες.el_GR
dc.format.extentvii, 70 σ. 30 εκ.el_GR
dc.languagegrel_GR
dc.language.isogrel_GR
dc.publisherΑνοικτό Πανεπιστήμιο Κύπρουel_GR
dc.rightsinfo:eu-repo/semantics/closedAccessel_GR
dc.subjectΦορετοί αισθητήρες -- Ηλικιωμένοιel_GR
dc.subjectWearable wireless identification -- Elderlyel_GR
dc.titleΑναγνώριση δραστηριοτήτων ηλικιωμένων ανθρώπων με τη βοήθεια φορετών αισθητήρων χωρίς μπαταρίεςel_GR
dc.typeΜεταπτυχιακή Διατριβήel_GR
dc.description.translatedabstractGetting out of bed and ambulating without supervision in hospitals causes patient falls, which are considered as a basic cause of serious injuries among older adults. In addition to physically injuries, they also have psychological consequences, as well as being linked to an amount of medical expenses. The surveillance, with physical presence of people, which is the main solution to avoid falls, is costly. For this reason, many efforts of researchers with various technological solutions have focused on the field of fall detection and prevention. Examples of technology solutions relate to a variety of sensors that are connected to the body, the bed or the floor. This thesis was based on the use of a wireless, wearable, batteryless, low-power and low-cost sensor (Wearable Wireless Identification and Sensing Platform, W2ISP). The datasets for interpreting, in order to identify bed exit events, were produced from a three dimensional accelerometer and the transmitted signal strength from the W2ISP. The data also, concerned 14 healthy olders (66-86 years old) who wore the W2ISP, attached over their clothes, at sternum level and undertook a number of activities in two clinical rooms. In this thesis, for evaluating our approach and successfully distinguish activity recognition, presents an performance comparison between some the most popular supervised machine learning algorithms which have been used in fall detection systems. These are Random Forest (RF), Support Vector Machine (SVM), K nearest neighbor (k-NN) and neural network MultiLayer Perceptron (MLP). A 10-fold cross-validation evaluation method was used in data classification. Different statistical measures used, for evaluating the models which produced, such as precision, recall, F- measure and Kappa Statistic. The findings show that the best results are derived from the RF algorithm. The model succeeded Precision results above 98% (Room 1) and 93% (Room 2), the Recall was > 96,5% and 90,9% respectively, while F-score was > 97% and 91,9% respectively. The high results confirm the validity of our approach and the performance outperforms between previous similar studies.el_GR
dc.format.typepdfel_GR


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record