通过能耗数据和机器学习检测日常生活活动，以支持独立老龄化

《Journal of Medical Systems》：Activities of Daily Living Detection through Energy Consumption Data and Machine Learning to Support Independent Aging

老年人日常生活活动通过智能插座电力数据识别研究。采用K-means聚类和LSTM网络分析电力消耗模式，在REFIT数据集上验证，烹饪、清洁等IADL分类准确率达99%，为非侵入式居家监护提供新方法。

　　

摘要

老龄化人口给医疗保健和社会服务带来了重大挑战，这凸显了需要创新解决方案来支持独立生活。本研究探讨了通过智能插座系统收集的功耗数据来识别日常生活工具性活动（IADLs）的可行性。我们结合使用了无监督和有监督的机器学习技术，包括K-Means聚类和长短期记忆（LSTM）网络，开发了一种基于能源使用模式对IADLs进行分类和预测的方法。REFIT数据集被用来训练和验证这些模型，以确保其在不同家庭中的泛化能力。研究结果表明，K-Means聚类算法结合Silhouette和DB算法能够在合理的时间内有效地对能源使用模式进行分组（Silhouette得分为0.88，Davies-Bouldin指数为0.29）；而基于月度家庭数据训练的LSTM模型在长时间内表现出较高的活动分类准确率（F1分数为0.99）。像烹饪、清洁和娱乐这样的IADLs由于具有独特的能源特征，分类准确率最高。这种方法能够实现对日常活动的非侵入式监控，为环境辅助生活（AAL）环境提供了潜在的应用前景。尽管在无法直接检测到能源消耗的情况下存在局限性，但本研究突显了基于能源的活动识别技术在促进独立老龄化方面的潜力。未来的工作将重点改进异常行为检测，并整合额外的上下文因素以提高分类准确性。