The object of research, development or design (in Russian) : Анализ проблемы, дизайн решения и возможные архитектуры Создание системы распознавания нормальных и аномальных активностей человека Улучшения точности и определения аномалий, используя сенсоры и моделирование Улучшение жизни людей, пожилых и людей с ограниченными возможностями

The object of research, development or design (in Kazakh) : Мәселені талдау, шешімді жобалау және ықтимал архитектура Адамның қалыпты және қалыптан тыс әрекеттерін тану жүйесін құру Датчиктерді және модельдеуді пайдалана отырып, дәлдік пен аномалияны анықтауды жақсарту Адамдардың, қарттардың және мүмкіндігі шектеулі адамдардың өмірін жақсарту

Aim of work (in Russian) : Постановка студенческой диссертации и проектных заданий Закупка оборудования и расходных материалов Ежедневные встречи с научными сотрудниками Анализ литературы и возможны технологий, моделей Проектирование системы и определение архитектурных спецификаций

Aim of work (in Kazakh) : Студенттік диссертация мен жобалық тапсырмаларды құрастыру Жабдық пен шығын материалдарын сатып алу Зерттеушілермен күнделікті кездесулер Әдебиеттер мен мүмкін технологияларды, модельдерді талдау Жүйені жобалау және архитектуралық спецификациялар

Методы исследования (на русском) : Наши исследования объединяют передовые методы машинного обучения (ML) и глубокого обучения (DL) с надежными фреймворками обработки, оценки и проверки данных. Мы используем контролируемые и неконтролируемые методы для решения таких задач, как распознавание человеческой активности (HAR) и обнаружение аномалий, применяя разнообразные наборы данных, включая данные датчиков и видео, улучшенные посредством нормализации, шумоподавления и аугментации. Для HAR мы используем такие модели, как CNN и RNN, для захвата пространственных и временных закономерностей в данных датчиков, а также гибридные модели, такие как комбинации CNN-RNN или механизмы на основе внимания для более глубокого понимания. Обнаружение аномалий использует кластеризацию, обнаружение выбросов и неконтролируемые методы для выявления аномальных закономерностей. Мы строго оцениваем модели, используя такие метрики, как точность, достоверность и отзыв, тестируя в имитируемых и реальных условиях для оценки производительности. Синтетические данные используются для повышения устойчивости модели к переменным условиям. Наконец, мы проверяем наши модели в практических условиях, таких как здравоохранение, чтобы убедиться, что они соответствуют реальным требованиям, итеративно совершенствуя их на основе обратной связи. Этот комплексный, адаптивный подход обеспечивает надежные, основанные на данных решения для реальных задач.

Методы исследования (на казахском) : Біздің зерттеулеріміз сенімді деректерді өңдеу, бағалау және тексеру құрылымдарымен машиналық оқыту (ML) және терең оқыту (DL) әдістерін біріктіреді. Біз адам әрекетін тану (HAR) және аномалияны анықтау сияқты мәселелерді шешу үшін әртүрлі деректер жиынын, соның ішінде қалыпқа келтіру, өшіру және күшейту арқылы жақсартылған сенсор және бейне деректерін пайдалана отырып, бақыланатын және бақыланбайтын әдістерді қолданамыз. HAR үшін біз сенсор деректеріндегі кеңістіктік және уақыттық үлгілерді түсіру үшін CNN және RNN сияқты үлгілерді, сондай-ақ тереңірек түсіну үшін CNN-RNN комбинациялары немесе зейінге негізделген механизмдер сияқты гибридті модельдерді қолданамыз. Аномалияларды анықтау кластерлеуді, шектен шығуды анықтауды және аномальды үлгілерді анықтау үшін бақыланбайтын әдістерді пайдаланады. Біз өнімділікті бағалау үшін модельдерді дәлдік, дәлдік және еске түсіру, имитацияланған және нақты әлем орталарында сынау сияқты көрсеткіштерді пайдалана отырып мұқият бағалаймыз. Синтетикалық деректер үлгінің айнымалы жағдайларға беріктігін жақсарту үшін пайдаланылады. Соңында, біз өз модельдерімізді денсаулық сақтау сияқты практикалық жағдайларда сынақтан өткіземіз, олардың нақты талаптарға сай келетініне көз жеткіземіз, кері байланыс негізінде қайталап жетілдіреміз. Бұл жан-жақты, бейімделгіш тәсіл нақты әлемдегі мәселелерге сенімді, деректерге негізделген шешімдерді ұсынады.

Obtained results and novelty (in Russian) : Результаты исследования обещают значительные достижения в распознавании человеческой активности (РЧА), обнаружении аномалий и мониторинге с датчиков. Используя машинное и глубокое обучение, они обеспечат высокую точность в РЧА и выявлении аномалий с минимальными ложными срабатываниями, что будет полезно для здравоохранения, вспомогательного проживания и промышленной безопасности. Новизна работы — в многомерном подходе, объединяющем данные нескольких датчиков, таких как инерциальные и ЭКГ, и гибридные модели для анализа временных и пространственных данных. Это улучшает точность и контекст прогнозов. Синтетические методы, такие как GAN и гауссовский шум, повысят устойчивость моделей к шуму и нехватке данных. Также, исследование направлено на создание системы обнаружения аномалий, чувствительной к изменению активности, что особенно ценно для мониторинга здоровья, где малейшие отклонения могут иметь диагностическое значение. В целом, интеграция передовых ML/DL моделей и синтетических данных установит новые стандарты точности и расширит области применения HAR и систем аномалий.

Obtained results and novelty (in Kazakh) : Зерттеу нәтижелері адам әрекетін тану (АӘТ), аномалияларды анықтау және сенсорлық бақылау саласында айтарлықтай жетістіктерге қол жеткізуге уәде береді. Машиналық оқыту (МО) және терең оқыту (ТО) әдістерін қолдану арқылы бұл шешімдер АӘТ үшін жоғары дәлдік пен минималды жалған позитивтермен аномалияларды анықтауды қамтамасыз етеді, бұл оларды денсаулық сақтау, тұрмыстық көмек және өнеркәсіптік қауіпсіздік салалары үшін аса пайдалы етеді. Жұмыстың жаңашылдығы инерциялық және ЭКГ сияқты бірнеше сенсорлар деректерін біріктіретін көп өлшемді тәсілде және уақытша және кеңістіктік деректерді талдауға арналған гибридті модельдерді қолдануда жатыр. Бұл тәсіл болжамдардың дәлдігі мен контекстуалдық талдауын жақсартады. Синтетикалық әдістер, мысалы, генеративті қарсыластық желілер және Гаусс шуы, модельдердің деректердегі шуға және жетіспеушілікке төзімділігін арттырады. Сонымен қатар, зерттеу белсенділік өзгерістеріне сезімтал аномалияларды анықтау жүйесін құруға бағытталған, бұл денсаулық мониторингі үшін өте маңызды, өйткені ең кішігірім ауытқулардың диагностикалық маңызы болуы мүмкін. Жалпы алғанда, жетілдірілген МО/ТО модельдерін синтетикалық деректермен біріктіру дәлдіктің жаңа стандарттарын белгілеп, АӘТ және аномалияларды анықтау жүйелерінің қолданылу аясын кеңейтеді.

The main constructive and technical economic indicators (in Russian) : Система мониторинга и выявления аномалий здоровья человека реализована на основе носимых датчиков (датчик кожно-гальванической реакции, ЭКГ, акселерометр, пульсоксиметр) и мультимедийных датчиков (звуковых и визуальных данных). Основные параметры: высокая точность распознавания состояния здоровья с помощью алгоритмов машинного и глубокого обучения, низкое энергопотребление, компактный размер. Применение методов глубокого обучения позволяет улучшить интерпретацию данных, что обеспечивает более эффективный анализ и быстрое улучшение модели без дополнительных затрат. Стоимость системы снижается за счет доступности компонентов и использования оптимизированных алгоритмов. Повышенная долговечность благодаря низкому энергопотреблению и сложной обработке данных.

The main constructive and technical economic indicators (in Kazakh) : Адам денсаулығындағы ауытқуларды бақылау және анықтау жүйесі киілетін датчиктердің (гальваникалық тері реакциясының сенсоры, ЭКГ, акселерометр, пульсоксиметр) және мультимедиялық сенсорлардың (дыбыс және визуалды деректер) негізінде жүзеге асырылады. Негізгі параметрлер: машиналық және терең оқыту алгоритмдері арқылы денсаулық жағдайын танудың жоғары дәлдігі, аз қуат тұтынуы, ықшам өлшем. Терең оқыту әдістерін пайдалану деректерді интерпретациялауды жақсартуға мүмкіндік береді, нәтижесінде қосымша шығынсыз анағұрлым тиімді талдауға және үлгіні тезірек жақсартуға мүмкіндік береді. Жүйенің құны компоненттердің болуы және оңтайландырылған алгоритмдерді пайдалану есебінен төмендейді. Төмен қуатты тұтыну және күрделі деректерді өңдеу арқасында ұзақ мерзімділік артты.

Level of implementation (in Russian) : Пока идет разработка и внедрения нет

Level of implementation (in Kazakh) : Әзірлеу жүріп жатыр және іске асырылмай жатыр

Efficiency (in Russian) : Проект демонстрирует высокую эффективность в разработке систем мониторинга здоровья и обнаружения аномалий на основе данных инерциальных и ЭКГ сенсоров. Применение передовых алгоритмов машинного и глубокого обучения обеспечивает высокоточное распознавание широкого спектра человеческой активности и выявление отклонений с минимизацией ложных срабатываний. Использование гибридных моделей для анализа временных и пространственных паттернов, а также методов синтетического обогащения данных повышает устойчивость и точность моделей в условиях высокой вариативности данных.

Efficiency (in Kazakh) : Жоба инерциялық және ЭКГ сенсорларының деректеріне негізделген денсаулық мониторингі және аномалияларды анықтау жүйелерін әзірлеуде жоғары тиімділікті көрсетеді. Машиналық және терең оқыту алгоритмдерін қолдану адамның кең ауқымды белсенділігін жоғары дәлдікпен тануды және ауытқуларды жалған срабатыванияларды азайта отырып анықтауды қамтамасыз етеді. Уақытша және кеңістіктік үлгілерді талдау үшін гибридті модельдерді пайдалану, сондай-ақ синтетикалық деректерді байыту әдістері деректердің жоғары өзгергіштігі жағдайында модельдердің тұрақтылығы мен дәлдігін арттырады.

Field of application (in Russian) : Использование сенсоров, видео, реальных экспериментов и анализ данных Возможность интеграции системы обнаружения аномалий в больницах и умных домах Данные для здравоохранения Интеграция носимых устройств и сенсоров окружающей среды

Field of application (in Kazakh) : Сенсорларды, бейнелерді, нақты эксперименттерді және деректерді талдауды пайдалану Аномалияларды анықтау жүйелерін ауруханалар мен смарт үйлерге біріктіру мүмкіндігі Денсаулық сақтау деректері Тағатын құрылғылар мен қоршаған орта сенсорларын біріктіру