Context-aware e-health services in smart spaces
Services e-santé sensibles au contexte dans les espaces intelligents
Résumé
In this thesis, we propose a new e-health monitoring system for elderly, dependent and isolated persons living alone. We provided a better understanding of the monitored person's context. We develop a context-aware framework for monitoring the person's activities of daily living (ADL) and consider the most famous scales applied in the dependency evaluation models used in the geriatric domain such as the Functional Autonomy Measurement System (SMAF). The proposed adaptive framework offers several services such as the collection of high relevant and contextual data and an evaluation of the health status (i.e. dependency level) of persons. The proposed approach allows learning the human's lifestyle regarding the achievement of the ADL and the detection of the behavioral changes that may represent a risk for the monitored person. In order get closer to real-life situations, we use a Markovian-based model built for generating long term and realistic scenarios. For the behavior detection and prediction, we propose a novel forecasting approach based on the extension of the Grey theory GM (1, 1). The performances of the proposed system are evaluated and compared to traditional monitoring approaches within different scenarios and persons' profiles. The results of our evaluations reveal an efficient monitoring that optimizes the system resources in terms of computing, energy consumption, and network. With a minimum of sensing data, our system succeeds to ensure a high accuracy regarding the evaluation of the person's dependency, behavioral patterns learning, prediction of the health condition, and the detection of abnormal situations.
Dans cette thèse, nous proposons un nouveau système e-santé sensible au contexte pour les sujets âgés, dépendants et isolés. Le système surveille et suit les activités de la vie quotidienne (AVQ) de la personne tout en considérant les standards les plus utilisés en gériatrie pour l'évaluation du niveau de dépendance tel que le modèle SMAF. Le cadre de travail proposé offre automatiquement de nombreux services adaptables tels que la collection d'informations pertinentes et contextuelles et l'évaluation de l'état de santé en se basant sur le niveau de dépendance. Les approches proposées permettent d'apprendre le mode de vie des sujets en se basant sur l'accomplissement des AVQ et la détection des changements de comportement qui peuvent représenter un risque pour la personne. Pour se rapprocher de la vie réelle, nous avons généré des longs scénarios réalistes en définissant un modèle Markovien. Concernant la prédiction du comportement, nous proposons une nouvelle approche basée l'extension du modèle GM (1,1). Les performances de notre proposition sont évaluées et comparées avec les approches traditionnelles de suivi continu en considérant différents scénarios et profils de sujets. Les résultats révèlent que notre système offre un suivi efficace des sujets qui optimise la consommation des ressources du système en termes de calcul, énergie et réseau. Avec un minimum de volume de données collectées et traitées et un minimum de ressources utilisées, notre système réussit à assurer un suivi avec une précision élevée de l'évaluation du niveau de dépendance, d'apprentissage du comportement, de prédiction des conditions de santé et de détection de situation anormales.
Domaines
Autre [cs.OH]
Origine : Version validée par le jury (STAR)
Loading...