Deep Learning und IoT für personalisiertes Health Tracking

In dieser Arbeit wird ein innovatives loT-System für die langfristige personalisierte Überwachung der von einer Person zu Hause ausgeführten Aktivitäten vorgeschlagen. Das System integriert einen Wi-Fi-Wearable-Sensor und Techniken zur Merkmalsextraktion, um Informationen über eine Reihe von Aktivitäten zu liefern, mit dem Ziel, anormale Verhaltensweisen abzuleiten. Der vorgestellte Ansatz wurde so konzipiert, dass er auf Systeme ausgeweitet werden kann, die mehrere Wearable-Sensoren benötigen, die Informationen auf personalisierte Weise liefern. Die Aktivitätsklassifizierung wurde mit einer relativ kleinen Trainingsmenge durchgeführt. Dieses Ergebnis ist interessant, weil es die Möglichkeit aufzeigt, recht einfach verschiedene HAR-Systeme zu implementieren, die auf verschiedene Klassen von Problemen für Altersgruppen von Menschen kalibriert sind. Die vorgestellte Systemarchitektur nutzt die bordeigene Wi-Fi-Konnektivität und das Cloud-Computing, um eine ständige Aktualisierung des Netzwerks mit neuen Trainingssätzen zu gewährleisten, wenn neue Nutzer hinzukommen. Zu diesem Zweck wird jedes vom Sensor erfasste Datenmuster an die Cloud übertragen. Die entworfene Systemarchitektur öffnet die Tür zu einem alternativen Ansatz, der den Einsatz von FPGA-Technologien für die Implementierung komplexer Signalverarbeitungssysteme nutzen könnte, um zu produzieren.