تشخیص کیفیت خلق مبتنی بر فعالیت‌های روزمره سالمند با استفاده از روش‌های تصمیم‌گیر و ابزارهای هوشمند (خانه، دستبند و تلفن همراه هوشمند)

با توجه به رشد پدیده سالمندی، استفاده از فناوری سامانه های هوشمند جهت نظارت بر فعالیت های روزمره که منجر به کاهش هزینه های نظارتی، مراقبتی و درمانی سالمندان می شود، موردتوجه قرارگرفته شده است. با توجه به این که، فعالیت های روزانه هر فرد با حالات خلقی وی مرتبط است، بنابراین با استفاده از الگوریتم های تصمیم گیر هوشمند مانند الگوریتم های یادگیری ماشین می توان این ارتباط را مدل نمود. در این تحقیق، برای مدل کردن حالات خلق با توجه به فعالیت های روزانه سالمند، از الگوریتم های تصمیم گیر هوشمندی از قبیل مدل احتمالاتی مبتنی بر شبکه بیزین قابل توصیف، ماشین بردار پشتیبان، k نزدیک ترین همسایه، تحلیل متمایزکننده خطی، درخت تصمیم و یادگیری دسته بندی جمعی دسته ای و تقویتی استفاده شده است. بدین منظور سامانه هوشمندی شامل خانه، دستبند و تلفن همراه برای جمع آوری داده های موردنیاز جهت پیاده سازی، آموزش و ارزیابی مدل های پیشنهادی طراحی و آماده شد. با سامانه هوشمند موردنظر، فعالیت های روزانه فردی به مدت 5 ماه ثبت و با کمک گروه روانشناسی وضعیت خلق وی برچسب گذاری شد. نتایج به دست آمده نشان می دهد که روش های تصمیم گیری ماشین بردار پشتیبان و درخت تصمیم گیری دسته جمعی دسته ای می توانند با دقت بالایی حالات خلق شخص را با توجه به فعالیت های روزمره وی تشخیص دهند؛ اما به لحاظ کاربردی، مدل شبکه بیزین طراحی شده، به علت قابل توصیف بودن ارتباط میان متغیرهای مربوط به فعالیت و حالات خلق، به روانشناس در بررسی و تحلیل علل حالات خلق تشخیصی می تواند کمک موثرتری نماید.

Elderly Daily Activity-Based Mood Quality Estimation Using Decision-Making Methods and Smart Facilities (Smart Home, Smart Wristband, and Smartphone)

Due to the growth of the aging phenomenon, the use of intelligent systems technology to monitor daily activities, which leads to a reduction in the costs for health care of the elderly, has received much attention. Considering that each person’s daily activities are related to his/her moods, thus, the relationship can be modeled using intelligent decision-making algorithms such as machine learning. In this study, to model Mood according to the daily activities of the elderly, intelligent decision-making algorithms such as descriptive Bayesian network-based probabilistic model, support vector machine, K nearest neighbor, linear discriminant analysis, decision tree, and ensemble learning methods, such as Bagging and Boosting was used. For the mentioned purpose, an intelligent system, including smart home, wristband, and smartphone, was designed and prepared to collect the dataset, needed to implement, train, and evaluate the proposed intelligent models. With the intelligent system, an elderly woman’s daily activities are recorded for five months and her mood status is labeled by a psychologist team. The obtained results prove that the decision-making methods of the support vector machine and the ensemble Bagging tree can accurately detect the person’s moods according to her daily activities. However, in a practical aspect, the designed Bayesian network model is more effective to assist psychologists to analyze the causes of detected mood states, by providing a descriptive relationship between variables related to the daily activities and mood states.