Bücher von P. Vinoth Kumar

Neste trabalho, é proposto um sistema inovador de loT para monitorização personalizada a longo prazo das actividades realizadas por uma pessoa em casa. O sistema integra um sensor wearable Wi-Fi e técnicas de extração de características para fornecer informações sobre uma série de actividades com o objetivo de inferir comportamentos anormais. A abordagem apresentada foi concebida para ser alargada a sistemas que requerem múltiplos sensores portáteis que fornecem informações de forma personalizada. A classificação das actividades foi realizada com um conjunto de treino relativamente pequeno. Este resultado é interessante porque mostra a possibilidade de implementar, muito facilmente, diferentes sistemas HAR calibrados em diferentes classes de problemas para grupos etários de pessoas. A arquitetura do sistema apresentado explora a conetividade Wi-Fi a bordo e a computação em nuvem para garantir uma atualização constante da rede com novos conjuntos de treino quando são adicionados utilizadores. Para o efeito, cada amostra de dados adquirida pelo sensor é transferida para a nuvem. A arquitetura do sistema concebida abre a porta a uma abordagem alternativa que poderia tirar partido da utilização de tecnologias FPGA para a implementação de sistemas complexos de processamento de sinais a produzir.

In questo lavoro viene proposto un innovativo sistema loT per il monitoraggio personalizzato a lungo termine delle attività svolte da una persona a casa. Il sistema integra un sensore indossabile Wi-Fi e tecniche di estrazione di caratteristiche per fornire informazioni su una serie di attività con l'obiettivo di dedurre comportamenti anomali. L'approccio presentato è stato concepito per essere esteso a sistemi che richiedono più sensori indossabili per fornire informazioni in modo personalizzato. La classificazione delle attività è stata eseguita con un set di addestramento relativamente piccolo. Questo risultato è interessante perché dimostra la possibilità di implementare, abbastanza facilmente, diversi sistemi HAR calibrati su diverse classi di problemi per gruppi di età di persone. L'architettura del sistema presentato sfrutta la connettività Wi-Fi di bordo e il cloud computing per garantire un aggiornamento costante della rete con nuovi set di addestramento quando si aggiungono utenti. A questo scopo, ogni campione di dati acquisito dal sensore viene trasferito al cloud. L'architettura del sistema progettato apre le porte a un approccio alternativo che potrebbe sfruttare l'uso di tecnologie FPGA per l'implementazione di complessi sistemi di elaborazione del segnale da produrre.

Ce travail propose un système loT innovant pour le suivi personnalisé à long terme des activités réalisées par une personne à son domicile. Le système intègre un capteur portable Wi-Fi et des techniques d'extraction de caractéristiques pour fournir des informations sur un certain nombre d'activités dans le but de déduire les comportements anormaux. L'approche présentée a été conçue pour être étendue à des systèmes nécessitant plusieurs capteurs portables fournissant des informations de manière personnalisée. La classification des activités a été réalisée avec un ensemble d'entraînement relativement petit. Ce résultat est intéressant car il montre la possibilité de mettre en ¿uvre, assez facilement, différents systèmes de RAH calibrés sur différentes classes de problèmes pour des groupes d'âge de personnes. L'architecture du système présenté exploite la connectivité Wi-Fi embarquée et l'informatique en nuage pour assurer une mise à jour constante du réseau avec de nouveaux ensembles d'entraînement lorsque des utilisateurs sont ajoutés. À cette fin, chaque échantillon de données acquis par le capteur est transféré vers le nuage. L'architecture du système conçu ouvre la porte à une autre approche qui pourrait tirer parti de l'utilisation des technologies FPGA pour la mise en ¿uvre de systèmes complexes de traitement des signaux à produire.

En este trabajo se propone un innovador sistema loT para la monitorización personalizada a largo plazo de las actividades realizadas por una persona en su domicilio. El sistema integra un sensor Wi-Fi wearable y técnicas de extracción de características para dar información sobre una serie de actividades con el objetivo de inferir comportamientos anómalos. El enfoque presentado ha sido concebido para ser extendido a sistemas que requieran múltiples sensores wearables que den información de forma personalizada. La clasificación de actividades se ha realizado con un conjunto de entrenamiento relativamente pequeño. Este resultado es interesante porque muestra la posibilidad de implementar, con bastante facilidad, diferentes sistemas HAR calibrados en diferentes clases de problemas para grupos de edad de personas. La arquitectura del sistema presentado explota la conectividad Wi-Fi a bordo y la computación en nube para garantizar una actualización constante de la red con nuevos conjuntos de entrenamiento cuando se añaden usuarios. Para ello, cada muestra de datos adquirida por el sensor se transfiere a la nube. La arquitectura del sistema diseñado abre la puerta a un enfoque alternativo que podría aprovechar el uso de las tecnologías FPGA para la implementación de sistemas de procesamiento de señales complejas de producir.

In dieser Arbeit wird ein innovatives loT-System für die langfristige personalisierte Überwachung der von einer Person zu Hause ausgeführten Aktivitäten vorgeschlagen. Das System integriert einen Wi-Fi-Wearable-Sensor und Techniken zur Merkmalsextraktion, um Informationen über eine Reihe von Aktivitäten 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 benötigen, die Informationen auf personalisierte Weise liefern. Die Aktivitätsklassifizierung wurde mit einer relativ kleinen Trainingsmenge durchgeführt. Dieses Ergebnis ist interessant, weil es die Möglichkeit aufzeigt, recht einfach verschiedene HAR-Systeme zu implementieren, die auf verschiedene Klassen von Problemen für Altersgruppen von Menschen kalibriert sind. Die vorgestellte Systemarchitektur nutzt die bordeigene Wi-Fi-Konnektivität und das Cloud-Computing, um eine ständige Aktualisierung des Netzwerks mit neuen Trainingssätzen zu gewährleisten, wenn neue Nutzer hinzukommen. Zu diesem Zweck wird jedes vom Sensor erfasste Datenmuster an die Cloud übertragen. Die entworfene Systemarchitektur öffnet die Tür zu einem alternativen Ansatz, der den Einsatz von FPGA-Technologien für die Implementierung komplexer Signalverarbeitungssysteme nutzen könnte, um zu produzieren.

In this work, an innovative loT system for long-term personalized monitoring of the activities performed by a person at home is proposed. The system integrates a Wi-Fi wearable sensor and feature extraction techniques to give information on a number of activities with the aim to infer abnormal behaviors. The approach presented has been conceived to be extended to systems requiring multiple wearable sensors giving information in a personalized manner. The activity classification has been performed with a relatively small training set. This result is interesting because it shows the possibility to implement, quite easily, different HAR systems calibrated on different classes of problems for age groups of people. The presented system architecture exploits on-board Wi-Fi connectivity and cloud computing to ensure a constantly update of the network with new training sets when users are added. To this purpose every data sample acquired by the sensor is transferred to the cloud. The system architecture designed open the door to an alternative approach that could take advantage on the use of FPGA technologies for the implementation of complex signal processing systems to produce.

La modernisation rapide a été développée et utilisée avec l'aide de l'IdO. Notre projet vise à simplifier la surveillance des patients grâce à notre système intégré de capteurs IoT, à un sous-système de diagnostic d'urgence et à un système analytique de santé intelligent, afin de sécuriser les patients grâce à la surveillance et à l'enregistrement automatiques des paramètres cliniques et de les traiter si nécessaire. Les paramètres maternels et f¿taux tels que la pression artérielle, la température, le niveau d'oxygène, le rythme cardiaque sont surveillés et enregistrés pour ceux qui sont hospitalisés dans des conditions à haut risque. Les capteurs assemblés pour détecter les paramètres spécifiés les enregistrent et les informations détectées sont enregistrées et sauvegardées dans un environnement en nuage. Le sous-système d'urgence spécialisé développé est utilisé pour analyser les données avec les niveaux de seuil. Les caractéristiques des paramètres enregistrés sont extraites à l'aide de CNN. En utilisant l'apprentissage profond, les caractéristiques sont classées et étudiées pour des consultations ultérieures avec les spécialistes. Un remède rapide et instantané peut être recherché en cas d'urgence.

A modernização rápida foi desenvolvida e utilizada com a ajuda da IoT. O nosso trabalho de projeto aborda a simplificação da monitorização dos pacientes através do nosso sistema integrado de sensores IoT, um subsistema de diagnóstico de emergência e um sistema analítico de saúde inteligente, abordando a segurança dos pacientes através da monitorização e registo automáticos de parâmetros clínicos e tratando-os, se necessário. Os parâmetros maternos e fetais, como a pressão arterial, a temperatura, o nível de oxigénio e o ritmo cardíaco, são monitorizados e registados para as pessoas hospitalizadas em condições de alto risco. Os sensores montados para detetar os parâmetros especificados registam-nos e as informações detectadas são gravadas e guardadas em ambiente de nuvem. O subsistema de emergência especializado desenvolvido é utilizado para analisar os dados com os níveis de limiar. As características dos parâmetros registados são extraídas utilizando a CNN. Utilizando a aprendizagem profunda, as características são classificadas e estudadas para consultas posteriores com os especialistas. Em caso de emergência, podem ser procuradas soluções rápidas e instantâneas.

La rápida modernización desarrollada y utilizada con la ayuda de IoT. Nuestro proyecto pretende simplificar la monitorización de los pacientes mediante un sistema integrado de sensores IoT, un subsistema de diagnóstico de emergencia y un sistema analítico de salud inteligente para proteger a los pacientes mediante la monitorización y el registro automáticos de los parámetros clínicos, y tratarlos en caso necesario. Los parámetros maternos y fetales, como la presión arterial, la temperatura, el nivel de oxígeno y la frecuencia cardíaca, se monitorizan y registran en el caso de los pacientes hospitalizados en condiciones de alto riesgo. Los sensores montados para detectar los parámetros especificados los registran y la información detectada se graba y guarda en un entorno de nube. El subsistema especializado en emergencias desarrollado se utiliza para analizar los datos con los niveles de umbral. Las características de los parámetros registrados se extraen utilizando CNN. Mediante deep leaning, las características se clasifican y estudian para posteriores consultas a los especialistas. Se pueden buscar remedios rápidos e instantáneos en caso de emergencia.

La rapida modernizzazione sviluppata e utilizzata con l'aiuto dell'IoT. Il nostro progetto si propone di semplificare il monitoraggio dei pazienti attraverso un sistema integrato di sensori IoT, un sottosistema diagnostico di emergenza e un sistema analitico intelligente per la salute, al fine di proteggere i pazienti attraverso il monitoraggio automatico e la registrazione dei parametri clinici e di trattarli se necessario. I parametri materni e fetali, come la pressione sanguigna, la temperatura, il livello di ossigeno e la frequenza cardiaca, vengono monitorati e registrati per coloro che sono ricoverati in condizioni di alto rischio. I sensori assemblati per rilevare i parametri specifici li registrano e le informazioni rilevate vengono registrate e salvate in ambiente cloud. Il sottosistema di emergenza specializzato sviluppato viene utilizzato per analizzare i dati con i livelli di soglia. Le caratteristiche dei parametri registrati vengono estratte utilizzando la CNN. Utilizzando il deep leaning, le caratteristiche vengono classificate e studiate per ulteriori consultazioni con gli specialisti. In caso di emergenza, è possibile trovare un rimedio rapido e immediato.

Die schnelle Modernisierung wird mit Hilfe des IoT entwickelt und genutzt. Unsere Projektarbeit vereinfacht die Patientenüberwachung durch unser integriertes System von IoT-Sensoren, ein Notfalldiagnose-Subsystem und ein intelligentes Gesundheitsanalysesystem, um die Patienten durch die automatische Überwachung und Aufzeichnung klinischer Parameter zu schützen und sie bei Bedarf zu behandeln. Die mütterlichen und fötalen Parameter wie Blutdruck, Temperatur, Sauerstoffgehalt und Herzfrequenz werden für diejenigen überwacht und aufgezeichnet, die unter Hochrisikobedingungen ins Krankenhaus eingeliefert werden. Die Sensoren, die zur Erfassung bestimmter Parameter eingesetzt werden, zeichnen diese auf, und die erfassten Informationen werden in einer Cloud-Umgebung aufgezeichnet und gespeichert. Das entwickelte spezialisierte Notfallsubsystem wird verwendet, um die Daten anhand der Schwellenwerte zu analysieren. Die Merkmale der erfassten Parameter werden mithilfe von CNN extrahiert. Mithilfe von Deep Leaning werden die Merkmale klassifiziert und für weitere Konsultationen mit den Spezialisten untersucht. In Notfällen kann so schnell und unmittelbar Abhilfe geschaffen werden.

The fast-modernizing developed and utilized with the help of IoT. Our project work approaches to simplify the patients monitoring by our integrated system of IoT sensors, an emergency diagnostic subsystem a smart health analytic system approaches to secure the patients by automatic monitoring and recording of clinical parameters, and treat them if necessary. The maternal and fetal parameters such as blood pressure, temperature, oxygen level, heart rate are monitored and recorded for those who are hospitalized under high risk condition. The sensors assembled to sense specified parameters record them and the sensed information are recorded and saved in cloud environment. The specialized emergency subsystem developed is used to analyze the data with the threshold levels. The features of the parameters recorded are extracted using CNN. Using deep leaning, the features are classified and studied for further consultations with the specialists. A quick and instant remedies can be sought out in case of emergencies.