|
|
دومین کنگره انفورماتیک پزشکی و هفتمین همایش سلامت الکترونیک
|
|
|
| عنوان فارسی |
تشخیص رفتارهای غیرعادی بیماران دمانس در خانه هوشمند |
|
| چکیده فارسی مقاله |
مقدمه: شایع ترین نوع بیماری دمانس مانند آلزایمر می تواند با تغییرات رفتاری مانند اختلالات خواب و انجام رفتارهای غیرعادی شناخته شود. رفتار غیرعادی به الگویی از رفتارها گفته می شود که با رفتارهای عادی مطابقت ندارد. از طرفی مدل رفاه زندگی امروزه مناسب برای برآوردن نیازهای جمعیت رو به رشد این قبیل افراد نیست و افزایش تعداد پرستاران برای مراقبت از آنها یک راه حل واقع بینانه نیست. تشخیص رفتارهای غیرعادی در فعالیت های روزمره این افراد، یک چالش است. خانه های هوشمند بعنوان راه حلی برای این چالش، می توانند سبک زندگی سالمندان را با حفظ حریم خصوصی آنها تقویت کرده و اجازه دهند به جای نگهداری آنها در خانه های مراقبت و یا بیمارستان ها، در خانه های خود برای مدت طولانی تر زندگی کنند. در نتیجه، هزینه های مراقبت های پزشکی برای این افراد کاهش یافته و نیز می توانند زندگی سالم تری داشته باشند. روش بررسی: ما می توانیم با استفاده از سنسورهای نصب شده در خانه هوشمند، الگوی استفاده از اشیا و حرکات را شناسایی کرده و با استفاده از تکنیک های یادگیری ماشین، الگوی های رفتاری را یاد گرفته و هر گونه رفتار غیرعادی را تشخیص دهیم. در این تحقیق برای تحلیل و تشخیص رفتارهای غیرعادی از الگوریتم kmedoide بعنوان یکی از تکنیک های یادگیری ماشین استفاده شده است. مجموعه داده استفاده شده از مجموعه داده های مرکز مطالعات پیشرفته در سیستم های تطبیقی موسوم به کاساس بوده و از میان 11 رفتار مجموعه داده، 4 رفتار خواب، دستشویی، استراحت و آشپزی شبانه در نظر گرفته شده است. برای پیاده سازی از نرم افزار متلب نسخه 2012 استفاده شده است. یافته ها: الگوریتم kmedoide توانست طی عملیات خوشه بندی دو رفتار خواب و دستشویی را بعنوان رفتارهای عادی و سایر رفتارها را بعنوان رفتارهای غیرعادی در نیمه شب تشخیص دهد. نتایج نشان می دهد که الگوریتم های خوشه بندی کارآیی بالایی در تشخیص رفتارهای غیرعادی از رفتارهای عادی در خانه هوشمند دارند. نتیجه گیری: استفاده از فناوری سیستم تحت نظارت خانه هوشمند منجر به تشخیص رفتارهای غیرعادی از رفتارهای عادی گردید. رفتارهای غیرعادی می توانند نشاندهنده علائم اولیه ابتلای فرد سالمند به بیماری دمانس بویژه آلزایمر باشند. |
|
| کلیدواژه‌های فارسی مقاله |
|
|
| عنوان انگلیسی |
Abnormal Behaviors Detection of Patients with Dementia in Smart Home |
|
| چکیده انگلیسی مقاله |
Background: The most common type of dementia such as Alzheimer's can be identified with behavioral changes such as sleep disorders and abnormal behavior. Abnormal behavior is referred to as a pattern of behavior that does not conform to normal behaviors. On the other hand, the welfare model of life today is not suited to meeting the growing needs of such people, and increasing the number of nurses to care for them is not a realistic solution. Detecting abnormal behaviors in their daily activities is a challenge. Smart homes, as a solution to this challenge, can strengthen the lifestyle of the elderly by protecting their privacy and allow them to live longer in their homes, rather than in their homes or hospitals. As a result, medical care costs for these people are reduced and they can also have a healthier life. Materials and Methods: We can identify patterns of using objects and movements using intelligent home screen sensors and learn the behavioral patterns and identify any abnormal behaviors using car learning techniques. In this research, the kmedoide algorithm has been used as one of the learning techniques of the machine to analyze and detect abnormal behaviors. The dataset is used from CASAS project. Out of 11 behaviors, 4 sleeping behaviors, Bed_to_Toilet, Relax and Meal_Preparation are considered. The 2012 version of the matlab software has been used to implement it. Results: The kmedoide algorithm was able to detect two sleep and bathroom behaviors as normal behaviors and other behaviors during midnight behavior during clustering. The results show that clustering algorithms have high performance in detecting abnormal behavior from normal behaviors in smart home. Conclusion: The use of smart home system technology led to the detection of abnormal behavior from normal behaviors. Abnormal behavior can indicate the early signs of an elderly person with dementia, especially Alzheimer's. |
|
| کلیدواژه‌های انگلیسی مقاله |
خانه هوشمند, یادگیری ماشین, دمانس, تشخیص رفتار غیرعادی |
|
| نویسندگان مقاله |
علیرضا خسروی |
امین حسینی سنو | hosseini seno
دانشگاه فردوسی مشهد
سازمان اصلی تایید شده: دانشگاه فردوسی (Ferdowsi university)
|
|
| نشانی اینترنتی |
http://mieh-2018.modares.ac.ir/browse.php?a_code=A-10-331-1&slc_lang=fa&sid=1 |
| فایل مقاله |
فایلی برای مقاله ذخیره نشده است |
| کد مقاله (doi) |
|
| زبان مقاله منتشر شده |
fa |
| موضوعات مقاله منتشر شده |
|
| نوع مقاله منتشر شده |
|
|
|
|
برگشت به:
صفحه اول پایگاه |
دوره مرتبط |
کنفرانس مرتبط |
فهرست کنفرانس ها
|
