دانلود ترجمه مقاله پیش بینی اقدامات انسان بر پایه اینترنت اشیا

1. مقدمه 2. پیشینه مفهومی 3. پشتیبانی و نظارت بر رفتار انسان 4. رویکردی برای پیش بینی اقدامات انسان 5. مطالعه موردی 6. ارزیابی 7. کارهای مرتبط 8. نتیجه گیری

در پژوهش و توسعه «فعال و زندگی مساعدتی» (AAL) ، پشتیبانی از افراد سالمند که از اختلالات حافظه در فعالیت های روزمره خود رنج می برند، به یک موضوع مهم تبدیل شده است. یک رویکرد امیدوار کننده برای چنین پشتیبانی و حمایتی، فراهم کردن کمک ها و مساعدت های حافظه ای براساس دانش از آن است که شخصی که معمولاً قرار است مورد حمایت قرار بگیرد (یعنی در شرایط بدون مشکل) با فعالیت های زندگی روزمره خود کنار می آید. چنین دانشی را می توان بوسیله راهکارهای IoT استخراج کرد، به صورت مناسب در یک پایگاه دانش ساختار بندی و ذخیره سازی کرد و در صورتی که نیاز به حمایت مشخص و شناسایی شود، مورد بهره برداری قرار گیرد. تعیین بهترین کمک برای یک وضعیت معین به معنای تصمیم گیری است، زیرا اقدامات- جریان (رفتار) یک فعالیت معمولاً شامل شاخه ها و انشعاب های احتمالاتی است: یک سیستخ خودکار لازم است تصمیم بگیرد که کدام مورد از اقدامات بعدی احتمالی برای کاربر در یک وضعیت معین، بهترین تناسب را دارد. مسائلی از این دست، شامل سطوح عدم قطعیت است. رویکردهای بسیاری برای حل این مسئله از فقط داده های آماری استفاده می کنند، و بنابراین داده های معنایی، که برای نمونه بوسیله هستی شناختی ها فراهم می شوند را نادیده می گیرند. اما، هستی شناسی ها از استدلال به صورت عادی و سنتی در رویارویی با عدم قطعیت حمایت نمی کنند. در این مقاله، یک مدل معنایی احتمالاتی را ارائه می دهیم که اطلاعات از منابع IoT را فراهم می کند و استدلال در برابر عدم قطعیت را بدون از دست دادن اطلاعات معنایی را ممکن می سازد. این مدل، به صورت تعمیم یافته رویکرد «نظارت و حمایت از رفتار انسانی» (HBMS) پیاده سازی شده است که یک «مدل شناختی انسانی» مفهومی برای نمایش رفتار کاربران و زمینه آن در محیط زندگی اش، فراهم می کند. عملکرد و کارایی این روش با استفاده از داده های حقیقی گردآوری شده از یک نمونه اولیه خانه هوشمند مجهز به حسگرهای قابل نصب و ادوات IoT، ارزیابی شده است. آزمایش ها، نتایج امیدوار کننده ای فراهم کرده اند که در مورد محدودیت ها و چالش ها بحث خواهد کرد.

It is an important topic in Active and Assisted Living (AAL) research and development to support elderly people suffering from memory impairment in their daily activities. A promising approach to such support is providing memory aids based on knowledge of how the person to be supported usually (i.e., in an unimpaired condition) copes with her/his daily activities. Such knowledge may be captured by IoT solutions, appropriately structured and stored in a knowledge base, and exploited when the need of support is detected. Determining the best help for a given situation implies decision-making, since the actions– flow (behavior) of an activity usually involves probabilistic branches: An automated system needs to decide which of the possible next actions is best suited for the user in a given situation. Problems of this nature involve uncertainty levels that have to be dealt with. Many approaches to this problem exploit statistical data only, thus ignoring important semantic data as, for instance, are provided by Ontologies. However, ontologies do not support reasoning over uncertainty natively. In this paper, we present a probabilistic semantic model that represent information from IoT sources and enables reasoning over uncertainty without losing semantic information. This model is implemented as an extension of the Human Behavior Monitoring and Support (HBMS) approach that provides a conceptual ”human cognitive model” for representing the user–s behavior and its context in her/his living environment. The performance of this approach was evaluated using real data collected from a smart home prototype equipped with installable sensors and IoT devices. The experiments provided promising results which we will discuss regarding limits and challenges to overcome.