تشخيص كيفيت خلق مبتني بر فعاليت‌هاي روزمره سالمند با استفاده از روش‌هاي تصميم‌گير و ابزارهاي هوشمند (خانه، دستبند و تلفن همراه هوشمند)

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

با توجه به رشد پديده سالمندي، استفاده از فناوري سامانه‌هاي هوشمند جهت نظارت بر فعاليت‌هاي روزمره كه منجر به كاهش هزينه‌هاي نظارتي، مراقبتي و درماني سالمندان مي‌شود، موردتوجه قرارگرفته شده است. با توجه به اين‌كه، فعاليت‌هاي روزانه هر فرد با حالات خلقي وي مرتبط است، بنابراين با استفاده از الگوريتم‌هاي تصميم‌گير هوشمند مانند الگوريتم‌هاي يادگيري ماشين مي‌توان اين ارتباط را مدل نمود. در اين تحقيق، براي مدل كردن حالات خلق با توجه به فعاليت‌هاي روزانه سالمند، از الگوريتم‌هاي تصميم‌گير هوشمندي از قبيل مدل احتمالاتي مبتني بر شبكه بيزين قابل توصيف، ماشين بردار پشتيبان، K نزديك‌ترين همسايه،‌ تحليل متمايزكننده خطي، درخت تصميم و يادگيري دسته‌بندي جمعي دسته‌اي و تقويتي استفاده‌شده است. بدين منظور سامانه هوشمندي شامل خانه، دستبند و تلفن همراه براي جمع‌آوري داده‌هاي موردنياز جهت پياده‌سازي، آموزش و ارزيابي مدل‌هاي پيشنهادي طراحي و آماده شد. با سامانه هوشمند موردنظر، فعاليت‌هاي روزانه فردي به مدت 5 ماه ثبت و با كمك گروه روانشناسي وضعيت خلق وي برچسب‌گذاري شد. نتايج به‌دست‌آمده نشان مي‌دهد كه روش‌هاي تصميم‌گيري ماشين بردار پشتيبان و درخت تصميم‌گيري دسته‌جمعي دسته‌اي مي‌توانند با دقت بالايي حالات خلق شخص را با توجه به فعاليت‌هاي روزمره وي تشخيص دهند؛ اما به لحاظ كاربردي، مدل شبكه بيزين طراحي‌شده، به علت قابل توصيف بودن ارتباط ميان متغيرهاي مربوط به فعاليت و حالات خلق، به روانشناس در بررسي و تحليل علل حالات خلق تشخيصي مي‌تواند كمك مؤثرتري نمايد.

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.