Human Healthcare Prediction with Human Activity Patterns Recognized Using Radio Waves and Machine Learning Approach

"تسهل البنية التحتية الحديثة للرعاية الصحية المختصين في الرعاية الصحية في جمع ومعالجة بيانات مجموعات كبيرة من المرضى. ومع ذلك،
فإنها تعتمد في الغالب عى نشر عدد كبير من أجهزة الاستشعار وأجهزة المعالجة المدمجة، مما يؤدي في النهاية إلى زيادة التكاليف وتعقيد.
النظام. وع اوة عى ذلك، فإن بعض أنظمة الرعاية الصحية تتطلب تدخل بشرى لضمان جمع بيانات موثوق بها. إن الدقة العالية، والتشغيل
الحر، والتدخل غير البشري، وسهولة الاستخدام، والتوافق مع البنية التحتية الحالية، والحصول عى البيانات عن بعد ومراقبتها، وتحليل بيانات
الرعاية الصحية والتنبؤ بها، هي التحديات الأساسية التي تتطلب حلولاً مبتكرة وجديدة.
في هذا المشروع، نقترح نظامًا مبتكَّرًا للتنبؤ بالرعاية الصحية يهدف إلى تقديم حل اقتصادي وموفر للطاقة يلبي احتياجات كبار السن ومحللي
بيانات الرعاية الصحية. نقوم بتطبيق نهج نظام معياري في أنظمة مراقبة الرعاية الصحية لضمان جمع البيانات واقتنائها بشكل موثوق.
نستهدف من خ ال نظامنا الى جمع بيانات النشاط البشري من خ ال اختبارات مبتكرة لرصد الرعاية الصحية والتنبؤ بها. نقترح نظامًا مدمجًا
يشتمل عى أجهزة الراديو المحددة بالبرمجيات ) SDRs ( للتعرف عى حركة الإنسان وخوارزميات التعلم الآلي للتنبؤ بإحصاءات الرعاية الصحية.
يتيح استخدام SDRs المزيد من المرونة لاستكشاف التحسين المحتمل للنظام المقترح في مختلف الترددات والسماح بالتحكم الدقيق في
المتغيرات المختلفة في الاتصالات اللاسلكية. توفر خوارزميات التعلم الآلي، لنظامنا المقترح امكانية تصنيف سلوكيات النشاط البشري من اجل
تقييم إحصاءات الرعاية الصحية والتنبؤ بها. ع اوة عى ذلك، يهدف الباحثون إلى دراسة الخصائص الدقيقة التي تربط بين النشاط البشري
وتحسين الحالة الصحية.
سوف يعمل النظام المقترح كنظام مراقبة وتنبؤ للنشاطات البشرية؛ وبالتالي لا نحتاج إلى نشر أجهزة الاستشعار عى نطاق واسع. بالإضافة إلى
ذلك، يمكن مراقبة أنماط الحركة الحرجة، والتي تمكن النظام من ارسال تنبيهات فورية للعديد من مقدمي الرعاية الصحية. وهكذا، فإن النظام
يراقب بفاعلية أوضاع الصحة البشرية ويتنبأ بإحصائيات للمتخصصين في الرعاية الصحية."

"Modern healthcare infrastructures facilitate healthcare professionals to collect and process data of large patient groups.
However, these structures demand prolific sensor deployment and embedded processing devices, which results in increased
complexity and system costs. Further, some healthcare systems even require real time human assistance to ensure reliable
data collection. Promising high accuracy, hand-free operation, non-human intervention, ease of use, compatibility with the
current infrastructure, remote data acquisition and monitoring, healthcare data analysis and prediction, are the primary key
challenges that demand newer innovative solutions. In this project, we propose an innovative healthcare prediction system
and aim to advance an energy-efficient and cost economical solution that addresses the needs of elderly populations and
healthcare data analysts. We implement a modular system approach in healthcare monitoring systems to ensure reliable
data collection and acquisition. Our system targets to acquire human activity data with the devised innovative testbed
to monitor and predict human healthcare. We propose a blended system comprising, Software Defined Radios (SDRs) for
human motion recognition, and Machine Learning algorithms to predict healthcare statistics. Using SDRs allow more
flexibility to explore possible optimization of proposed system at different frequency spectrum and permit precise control
over different wireless communication parameters. With Machine learning algorithm, our proposed system classifies human
activity behaviors to evaluate and predict healthcare statistics. Further, researchers aim to examine precise features that
establish the relationship between human activity and health improvement behaviors. The proposed system will serve as a
non-invasive human activity monitoring and prediction system; thereby eliminating the need of prolific sensor deployment.
Additionally, critical movement patterns can be monitored, in response to which the system can send immediate alerts to
various healthcare and caregivers. Thus, the devised system will actively monitor human health conditions and predict
statistics for healthcare professionals."