Kiến trúc hệ thống:

  + Cảm biến đa phương thức: video, âm thanh, chuyển động, nhiệt độ, áp suất, vị trí

  + Gateway M2M: kết nối các thiết bị với mạng và xử lý dữ liệu

  + Mô hình nhận diện tình huống: sử dụng entropy để chọn đặc trưng, cây quyết định để phân loại, phân tích liên kết để dự đoán hành vi

• Thuật toán xử lý:
•   + Entropy: chọn đặc trưng có độ phân biệt cao nhất
•   + Cây quyết định: phân loại hoạt động theo đặc trưng như vị trí, tư thế, đối tượng tương tác
•   + Phân tích liên kết (FP-Growth): tìm mẫu hành vi phổ biến, tính lift để chọn quy tắc mạnh
• Dữ liệu thử nghiệm:
•   + Bộ dữ liệu từ INRIA: 11 ngày, gồm video từ 4 camera và dữ liệu cảm biến môi trường
•   + Gán nhãn hoạt động bằng quan sát trực tiếp từ video
•   + Các hoạt động nhận diện: nấu ăn, rửa chén, ăn uống, gọi điện, xem TV, tập thể dục, đi vệ sinh, đánh răng, rửa mặt
• Kết quả:
•   + Độ chính xác nhận diện hoạt động: 94.6%
•   + Các hoạt động dễ nhận diện: nấu ăn, đi vệ sinh, rửa chén
•   + Các hoạt động khó phân biệt: ăn uống và xem TV (do trùng đặc trưng)
•   + Phân tích liên kết tìm được 2519 quy tắc, trong đó có các quy tắc có lift > 17
• Hướng phát triển:
•   + Triển khai hệ thống trên nền tảng đám mây để hỗ trợ nhiều môi trường AAL
•   + Tích hợp phản hồi từ nhân viên y tế để cải thiện mô hình
•   + Mở rộng sang nhận diện hành vi bất thường và cảnh báo sớm