Deep Learning und IoT für personalisiertes Health Tracking

In dieser Arbeit wird ein innovatives loT-System f r die langfristige personalisierte berwachung der von einer Person zu Hause ausgef hrten Aktivit ten vorgeschlagen. Das System integriert einen Wi-Fi-Wearable-Sensor und Techniken zur Merkmalsextraktion, um Informationen ber eine Reihe von Aktivit ten 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 ben tigen, die Informationen auf personalisierte Weise liefern. Die Aktivit tsklassifizierung wurde mit einer relativ kleinen Trainingsmenge durchgef hrt. Dieses Ergebnis ist interessant, weil es die M glichkeit aufzeigt, recht einfach verschiedene HAR-Systeme zu implementieren, die auf verschiedene Klassen von Problemen f r Altersgruppen von Menschen kalibriert sind. Die vorgestellte Systemarchitektur nutzt die bordeigene Wi-Fi-Konnektivit t und das Cloud-Computing, um eine st ndige Aktualisierung des Netzwerks mit neuen Trainingss tzen zu gew hrleisten, wenn neue Nutzer hinzukommen. Zu diesem Zweck wird jedes vom Sensor erfasste Datenmuster an die Cloud bertragen. Die entworfene Systemarchitektur ffnet die T r zu einem alternativen Ansatz, der den Einsatz von FPGA-Technologien f r die Implementierung komplexer Signalverarbeitungssysteme nutzen k nnte, um zu produzieren.