แบบจำลองการวิเคราะห์กิจกรรมในชีวิตประจำวันของผู้สูงวัยโดยใช้หลายเซนเซอร์

Activities of daily living analysis model for elderly using multi sensor

Name: ปวริต วานิชขจร

keyword: บ้านอัจฉริยะสำหรับผู้สูงวัย

ThaSH: ผู้สูงอายุ

ThaSH: นาฬิกา -- การควบคุมอัตโนมัติ

Abstract: ระบบวิเคราะห์กิจกรรมที่ปลอดภัยภายในบ้านของผู้สูงวัยนี้เป็นส่วนหนึ่งของการออกแบบระบบบ้านอัจฉริยะสำหรับผู้สูงวัย (Smart home for elderly)ซึ่งระบบนี้จะช่วยให้ผู้สูงวัยมีคุณภาพชีวิตที่ดีขึ้น และสามารถใช้ชีวิตอยู่เพียงลำพังภายในบ้านได้อย่างปลอดภัย ดังนั้นระบบวิเคราะห์กิจกรรม ของผู้สูงวัยจึงเป็นสิ่งจำเป็น ที่จะทำให้เราทราบถึงข้อมูลพื้นฐานของผู้สูงวัย เพื่อใช้ในการออกแบบอุปกรณ์ช่วยเหลือในการทำกิจกรรม ให้มีความปลอดภัย โดยงานวิจัยนี้จะใช้เซ็นเซอร์ตรวจจับการเคลื่อนไหว หลายสัญญาณ (Multi Sensor) ที่อยู่ภายในนาฬิกาอัจฉริยะ(Smart watch) มาใช้การเก็บข้อมูลกิจกรรมของผู้สูงอายุ และทำการออกแบบแบบจำลอง Lowpass filter Deep Convolution LSTM ซึ่งเป็นแบบจำลองที่พัฒนาต่อยอดมาจากแบบจำลอง Deep Convolution LSTM โดยแบบจำลองใหม่นี้สามารถไห้ค่าความแม่นยำ ถึง 98.268% และเป็นเทคนิคที่สามารถให้ความแม่นยำได้ดีกว่าDeep Convolution LSTM ที่ให้ค่าความแม่นยำ 88.425% และ Radial Basis Function Neural network ให้ค่าความแม่นยำ 47.402% นอกจากนี้แบบจำลองใหม่นี้ยังสามารถลดจำนวนชั้นทีใช้การจำแนกได้ถึง 50% เมื่อเทียบกับแบบจำลอง Deep Convolution LSTM ในอดีต

Abstract: Activity analysis systems or activity recognition systems for the elderly is recently a part of the smart home systems design. This assisted system normally helps the senior people to live alone in a house, safely and improve a quality of life. Therefore, learning to recognize which activities are safe is necessary for classifying the activities of the elderly. This information will give us some insights to understand the basic daily lives of the elderly. Moreover, it is also help us to monitor activities of the senior people. In this thesis, we collect activity data with the multi-sensor motion sensor that is inside the smartwatch and design the novel method for detecting and recognizing the activities using Low Pass Filter Deep Convolutional LSTM (Long Short-Term Memory), the novel method yields 98.268% of accuracy. The thesis also compares the result with Deep Convolution LSTM (88.425% of accuracy) and Radial Basis Function Neural Network (47.402% of accuracy). In addition, the new method can reduce the number of layers up to 50% compared in the past method, Deep Convolutional LSTM

มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. สำนักหอสมุดกลาง

Address: กรุงเทพมหานคร

Email: library@kmutnb.ac.th

Name: ปรวัฒน์ วิสูตรศักดิ์

Role: ที่ปรึกษาสารนิพนธ์

Email : porawat.v@sci.kmutnb.ac.th

Created: 2562

Modified: 2563-09-24

Issued: 2563-04-27

วิทยานิพนธ์/Thesis

application/pdf

tha

DegreeName: วิทยาศาสตร์มหาบัณฑิต

Level: ปริญญาโท

Descipline: วิทยาการคอมพิวเตอร์

Grantor: มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

©copyrights มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	B17145752.pdf	4.38 MB	29	2024-12-06 10:58:16

ใช้เวลา

-0.970373 วินาที