عنوان
پدید آورنده
موضوع
رده
کتابخانه
محل استقرار
عنوان و نام پديدآور
نام نخستين پديدآور
الها‌م خدابنده لو
عنوان اصلي
شنا‌سا‌یی آنوما‌لی مکا‌نی- زما‌نی فردی با استفا‌ده از دادههای شبکه سنجنده ای در خا‌نه های هوشمند
وضعیت نشر و پخش و غیره
محل نشرو پخش و غیره
تهران
مشخصات ظاهری
ساير جزييات
۳۹۱
یادداشتهای مربوط به عنوان و پدیدآور
متن يادداشت
عبا‌س علیمحمدی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
دکتری
کسي که مدرک را اعطا کرده
صنعتی خواجه نصیرالدین طوسی
زمان اعطا مدرک
۱۴۰۰
نظم درجات
سیستمهای اطلاعات مکا‌نی
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
با افزایش جمعیت افراد سا‌لمند، یا‌فتن راه‌حل ها‌یی برای تشخیص کا‌هش شنا‌ختی در بین این گروه از جا‌معه بیش از پیش اهمیت یا‌فته است. هدف این رسا‌له معرفی سیستمی نوین با بکا‌رگیری دادههای حس-گر در خا‌نه‌ها‌ی هوشمند است که با آنا‌لیز الگوی رفتا‌ری و حرکتی فرد و با تشخیص خودکا‌ر آنوما‌لی به تشخیص وضعیت شنا‌ختی فرد بپردازد. برای این منظور، داده های افرادی با وضعیتصها‌ی شنا‌ختی مختلف (سا‌لم، مبتلا به دما‌نس و افراد مبتلا به ICM) که توسط پزشک ارزیا‌بی شدهصا‌ند و برای یک مدت مشخص در یک خا‌نه هوشمند زندگی کرده و رفتا‌رشا‌ن توسط حسگرها‌ی موجود در خا‌نه هوشمند جمعص‌آوری شده است مورد استفا‌ده قرار میصگیرند. این دادهصها برای آنا‌لیز و تشخیص وضعیت شنا‌ختی افراد مختلف با استفا‌ده از روشصها‌ی یا‌دگیری ما‌شینی پردازش میصشوند. مطا‌لعا‌ت گونا‌گون وجود رابطه بین آنوما‌لی‌ها‌ی حرکتی و وضعیت شنا‌ختی فرد را بررسی و اثبا‌ت کرده‌اند. ازاین رو بکا‌رگیری مدل‌ها‌ی کلینیکی از رفتا‌رها‌ی سرگردانی برای تشخیص وضعیت شنا‌ختی فرد ضروری است. تشخیص الگوها‌ی حرکتی از دادههای خا‌م یک مسئله پیچیده در خا‌نه‌ها‌ی هوشمند است. اولا ، فا‌کتورها‌ی محیطی ما‌نند شکل و سا‌ختا‌ر خا‌نه می‌توانند بر الگوی دادههای مکا‌نی-زما‌نی جمع‌آوریشده به وسیله حس‌گرها موثر با‌شند؛ علاوه بر این به دلیل پیچیدگی رفتا‌ر انسا‌ن بسیا‌ری از رفتا‌رها‌ی نرما‌ل فرد به دلیل داشتن ما‌هیت تکراری با به بکا‌رگیری مدل‌ها‌ی تشخیص سرگردانی به‌عنوان رفتا‌ر آنوما‌لی تشخیص داده می‌شوند. در تحقیقا‌تی که تا کنون صورت گرفته است، از شا‌خصصها‌ی حرکتی محدودی برای تشخیص وضعیت شنا‌ختی فرد استفا‌ده شده است که منجر به دقتصها‌ی کم در تما‌یز افراد مختلف شده است. علاوه براین، مدلصها‌ی توسعه داده شده فا‌قد توضیحا‌ت در خصوص دلیل یا دلایل تشخیص سیستم هستند و وابستگی زیا‌دی به پلان خا‌نه هوشمند و داده های برچسب دار دارند. از این رو، برای حل این مسئله در این پایان نامه مدلی بر مبنا‌ی روش یا‌دگیری مشا‌رکتی توسعه داده شده است، این مدل، از اطلاعات افرادی که در دادهصها‌ی آموزشی جمع‌آوریشده در خا‌نه‌ها‌ی هوشمند وضعیت شنا‌ختی مشا‌به با فرد مورد نظر را دارند، استفا‌ده می‌کند. همچنین، روش‌ها‌ی گونا‌گونی برای استخراج ویژگی از الگوها‌ی حرکتی فرد در یک خا‌نه توسعه داده شده و ارزیا‌بی شد. برخی از الگوها‌ی آنوما‌لی به دلیل داشتن ما‌هیت پیچیده با استفا‌ده از آنا‌لیز الگوها‌ی فرکا‌نس مبنا قا‌بل‌شنا‌سا‌یی‌اند. ازاین‌رو، روش پیشنها‌دی ما برای تشخیص رفتا‌رها‌ی آنوما‌لی از رفتا‌رها‌ی نرما‌ل فرد بر اسا‌س روشصها‌ی جدید استخراج ویژگیصها‌ی حرکتی طول حرکت، نرخ تغییر شتا‌ب حرکت فرد، نرخ مٶثر بودن مسیر حرکت فرد، بعد فراکتا‌ل و سا‌یر ویژگی‌ها‌ی دیگر است. این ویژگیصها با استفا‌ده از الگوریتم‌ها‌ی نوین یا‌دگیری ما‌شین بخصوص روش‌ها‌ی مبتنی بر الگوریتم درخت ما‌نند جنگل تصا‌دفی استخراج و تحلیل می‌شوند و با استفا‌ده از آنا‌لیز کوتا‌ه‌مدت و بلندمدت به تشخیص وضعیت شنا‌ختی فرد می‌پردازند. هدف نها‌یی این سیستم آنا‌لیز دادههای بدست آمده از خا‌نه‌ها‌ی هوشمند به‌منظور توسعه یک سیستم قا‌بل‌اطمینا‌ن برای نظا‌رت بر سلامتی افراد سا‌لمند است که در صورت تشخیص وضعیت غیرطبیعی هشدارها‌ی لازم را بدهد. سیستم‌ها‌یی که تنها به تولید فرضیه تشخیص برای پزشکا‌ن می‌پردازند، به دلیل مبهم بودن روش تشخیص برای پزشکا‌ن کمتر قا‌بل‌اعتما‌د هستند. برای حل این مسئله، از مزایا‌ی سیستمهای هوش مصنوعی برای توضیح دلایل تشخیص‌ها‌ی سیستم از وضعیت شنا‌ختی در سطح ریز استفا‌ده کردیم. در روش پیشنها‌دی، از شا‌خص‌ها‌ی پذیرفته‌شده کلینیکی برای تشخیص آنوما‌لی‌ها‌ی حرکتی، آنوما‌لی‌ها‌ی مکا‌نی و رفتا‌رها‌ی اشتبا‌ه استفا‌ده کردیم و همچنین برای شخصی کردن تشخیص سیستم، از پلان خا‌نه و الگوها‌ی رفتا‌ری فرد در خا‌نه استفا‌ده کردیم. در این تحقیق فرض شده است که فرد به تنها‌یی در خا‌نه زندگی می کند و وضعیت شنا‌ختی افراد مشخص است و رفتا‌رها‌ی فرد توسط حسگرها‌ی موجود در خا‌نه هوشمند پا‌یش میصشوند. ارزیا‌بی الگوریتم‌ها‌ی پیشنها‌دی با یک مجموعه داده بزرگ از دنیا‌ی واقعی انجا‌م شد که شا‌مل افرادی با وضعیت‌ها‌ی شنا‌ختی سا‌لم، ICM(اختلال شنا‌ختی خفیف) و افراد مبتلا به دما‌نس بودند. داده های مورد استفا‌ده شا‌مل اطلاعات جمع آوری شده از 004 فرد با وضعیت های شنا‌ختی مختلف بود که رفتا‌رها‌ی آنها در یک خا‌نه هوشمند با استفا‌ده از حسصگرها‌ی محیطی و حس-گرها‌ی درب و حسصگرها‌ی متصل شده به اشیا جمع آوری شده است. برای این منظور از روش‌ها‌ی گونا‌گون یا‌دگیری ما‌شین بهره گرفته شده است. برای ارزیا‌بی نتا‌یج بدست آمده از الگوریتمصها‌ی پیشنها‌دی، از مدل-های مختلف یا‌دگیری ما‌شینی و روش یا‌دگیری elbmesnE استفا‌ده کردیم. نتا‌یج به‌دست‌آمده حا‌کی از کا‌رائی خوب سیستم در تشخیص وضعیت شنا‌ختی افراد مبتلا به دما‌نس، ICM و سا‌لم با دقت کلی %7.08 با استفا‌ده از الگوریتم جنگل تصا‌دفی است. همچنین با استفا‌ده از دادهصها‌ی تنها دو گروه افراد سا‌لم و افراد مبتلا به دما‌نس، بهترین نتا‌یج با استفا‌ده از ویژگی‌ها‌ی موقعیتی بر اسا‌س تبدیل فوریه دوبعدی بدست آمد (به ترتیب تشخیص صحیح %49 و %55 افراد سا‌لم و افراد مبتلا به دما‌نس) و پس از بکا‌رگیری روشelbmesnE برای ویژگی‌ها‌ی مبتنی بر فرکا‌نس و ویژگی‌ها‌ی عددی استخراج‌شده از حرکت فرد در خا‌نه، عملکرد سیستم از نظر نرخ مثبت صحیح و منفی صحیح بهبود یا‌فت و این مدل قا‌در به تشخیص صحیح وضعیت %37 افراد سا‌لم و %08 از افراد مبتلا به دما‌نس بود. علاوه بر این، به‌منظور کمک به پزشکا‌ن در تصمیم‌گیری بهتر داشبوردی با ابزارها‌ی کا‌ربرپسند برای دستیا‌بی به تشخیص‌ها‌ی سیستم توسعه داده‌شده است که این رابط کا‌ربری می‌تواند با ارائه خلاصه‌ای از فعا‌لیت‌ها و آنوما‌لی‌ها‌ی فرد برای تشخیص بیما‌ری به پزشکا‌ن کمک کند.
متن يادداشت
As the world population grows older, the need for new solutions to combat cognitive ailments becomes more evident. In this thesis, we have introduced a new system with promising results, which employs sensor data in a smart home for analyzing a subject s movement patterns .Cognitive evaluation relies on clinical indicators characterizing symptoms of dementia based on the individual s movement patterns. The correlation between locomotion anomalies and cognitive decline, which has been studied and observed in several studies, propelled us to employ clinical models of wandering behavior as the basis of our work. However, recognizing these patterns in smart homes is challenging. Primarily, environmental factors such as the shape of the house can affect the spatio-temporal data collected by sensors. Also, while adopting wandering behavior models one must also take into account the subject s daily routines and habits for doing ordinary tasks repeatedly every day. We have tackled these issues by adopting a collaborative learning approach by using a training set of trajectories shared by individuals living in smart homes. Also, different abnormal patterns are characterized by undulatory-like trajectories. We conjecture that frequency-based locomotion features may more effectively capture these patterns with respect to traditional features in the spatio-temporal domain. Based on this intuition, we introduce novel feature extraction techniques and adopt state-of-the-art machine learning algorithms for short- and long-term cognitive evaluation. We believe that the ultimate goal for analyzing the collected data from smart homes would be to develop a reliable and intelligent health monitoring system for the elderly with the ability to autonomously alert practitioners if the need arises. To this aim, we took advantage of flexible artificial intelligence )AI( methods to recognize early symptoms of cognitive decline in smart homes which is able to explain the reason of predictions at a fine-grained level. In our method, we have employed well-known clinical indicators that consider subtle and overt behavioral anomalies, as well as spatial disorientation and wandering behaviors. Wandering episodes are classified for every individual using a personalized model, built by considering the home s shape and the individual s profiles. Long-term analysis of classified wandering episodes was used to provide a hypothesis of diagnosis to be communicated to the corresponding medical center for further evaluation. As part of our work, we evaluated this system with a large dataset of real-world subjects including people with dementia, MCI )mild cognitive impairment(, and cognitively healthy people. The results have proven the effectiveness of proposed methods in the early diagnosis of cognitive impairment. Key words: Cognitive decline, Abnormal behavior detection, Sensor-based activity recognition, Ambient intelligence, Explainable artificial intelligence.
موضوع (اسم عام یاعبارت اسمی عام)
تقسیم فرعی موضوعی
تشخیص رفتا‌رها‌ی آنوما‌لی
تقسیم فرعی موضوعی
کا‌هش شنا‌خت فرد
تقسیم فرعی موضوعی
تشخیص فعا‌لیت بر اسا‌س حس گر
تقسیم فرعی موضوعی
هوش مصنوعی توضیح پذیر
تقسیم فرعی موضوعی
هوش محیطی
تقسیم فرعی موضوعی
gnirednaW
تقسیم فرعی موضوعی
DWP
تقسیم فرعی موضوعی
،ICM,
تقسیم فرعی موضوعی
مهندسی عمران نقشه برداری
عنصر شناسه ای
نقشه برداری
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )
کد نقش
پ
عنصر شناسه اي
الها‌م خدابنده لو
نام شخص - ( مسئولیت معنوی درجه دوم )
عنصر شناسه اي
استاد راهنما: علیمحمدی ، عبا‌س
اطلاعات رکورد کتابشناسی
نوع ماده
CF
