Activities of daily living (ADLs) refer to the activities performed by individuals on a daily basis and are the indicators of a person's habits, lifestyle, and wellbeing. Consequently, learning an individual's ADL daily routines has significant value in the healthcare domain. Specifically, ADL recognition and inter-ADL pattern learning problems have been studied extensively in the past couple of decades. However, discovering the patterns of ADLs performed in a day and clustering them into ADL daily routines has been a relatively unexplored research area. In this paper, a self-organizing neural network model, called the Spatiotemporal ADL Adaptive Resonance Theory (STADLART), is proposed for learning ADL daily routines. STADLART integrates multimodal contextual information that involves the time and space wherein the ADLs are performed. By encoding spatiotemporal information explicitly as input features, STADLART enables the learning of time-sensitive knowledge. Moreover, a STADLART variation named STADLART-NC is proposed to normalize and customize ADL weighting for daily routine learning. A weighting assignment scheme is presented that facilitates the assignment of weighting according to ADL importance in specific domains. Empirical experiments using both synthetic and real-world public data sets validate the performance of STADLART and STADLART-NC when compared with alternative pattern discovery methods. The results show that STADLART could cluster ADL routines with better performance than baseline algorithms.

中文翻译：

---

使用时空神经网络学习 ADL 日常例程

日常生活活动 (ADL) 是指个人每天进行的活动，是一个人的习惯、生活方式和幸福感的指标。因此，学习个人的 ADL 日常生活在医疗保健领域具有重要价值。具体而言，在过去的几十年中，ADL 识别和 ADL 间模式学习问题得到了广泛的研究。然而，发现一天内执行的 ADL 模式并将其聚类到 ADL 日常工作中一直是一个相对未开发的研究领域。在本文中，提出了一种称为时空 ADL 自适应共振理论 (STADLART) 的自组织神经网络模型，用于学习 ADL 日常生活。STADLART 集成了涉及执行 ADL 的时间和空间的多模式上下文信息。通过将时空信息明确编码为输入特征，STADLART 可以学习时间敏感的知识。此外，提出了一种名为 STADLART-NC 的 STADLART 变体来规范化和定制日常学习的 ADL 权重。提出了一种加权分配方案，该方案有助于根据特定领域中的 ADL 重要性分配权重。与替代模式发现方法相比，使用合成和真实世界公共数据集的实证实验验证了 STADLART 和 STADLART-NC 的性能。结果表明，STADLART 可以以比基线算法更好的性能对 ADL 例程进行聚类。提出了一种名为 STADLART-NC 的 STADLART 变体来规范化和定制日常学习的 ADL 权重。提出了一种加权分配方案，该方案有助于根据特定领域中的 ADL 重要性分配权重。与替代模式发现方法相比，使用合成和真实世界公共数据集的实证实验验证了 STADLART 和 STADLART-NC 的性能。结果表明，STADLART 可以以比基线算法更好的性能对 ADL 例程进行聚类。提出了一种名为 STADLART-NC 的 STADLART 变体来规范化和定制日常学习的 ADL 权重。提出了一种加权分配方案，该方案有助于根据特定领域中的 ADL 重要性分配权重。与替代模式发现方法相比，使用合成和真实世界公共数据集的实证实验验证了 STADLART 和 STADLART-NC 的性能。结果表明，STADLART 可以以比基线算法更好的性能对 ADL 例程进行聚类。与替代模式发现方法相比，使用合成和真实世界公共数据集的实证实验验证了 STADLART 和 STADLART-NC 的性能。结果表明，STADLART 可以以比基线算法更好的性能对 ADL 例程进行聚类。与替代模式发现方法相比，使用合成和真实世界公共数据集的实证实验验证了 STADLART 和 STADLART-NC 的性能。结果表明，STADLART 可以以比基线算法更好的性能对 ADL 例程进行聚类。