텔레케어(telecare)
데이터 부검
화재
자체분석 결과
내일의 사망자 예측
일주일 후의 사망자 예측
사망하기 전에 응급 상황이 보통 여러 번 발생
사고가 빈번하게 발생하는 지점: 화장실, 현관 앞
매달 150명 사망 중 평균 30명이 응급상황으로 사망
라이프 로그 분석
Python 코드 구성
1.
revise_user_profiles.py
2.
integrate_user_lifelog.py
3.
extract_feature.py
4.
eda.py
EDA
•
결측 구간이 많으므로, 제거하고, 일별 시계열에서 timestep 으로 변환 처리 필요
•
최초응급발생일시1는 첫 응급건이 아닌 마지막 응급건 → 사망자의 경우 해당 일시가 사망일자에 근접할 것으로 추정
•
5-5~6-1 특징 패턴이 생존자의 경우 사망자 대비하여 가변성이 높음 = 사망자 데이터는 상대적으로 패턴이 단순
•
사망시점 이후로 비정상적으로 취득되는 특징:
◦
2-1~2-15, 2-18, 2-19, 3-1, 3-2, 7-1: 격일 주기로 특정 값 반복
◦
5-5, 5-6: 단순 누적
◦
6-1~7-12: 값이 단순 반복되는 경향
•
위급 상황 가정 1: 활동량 지수, 외출 특징이 모두 저조한 경우
•
샘플 사용자 리스트:
◦
사망자(5349): 37년생, 응급(질병)
◦
사망자(3670): 32년생, 응급(질병)
◦
사망자(3891): 26년생, 응급(질병)
◦
사망자(5143): 39년생, 응급(질병)
◦
사망자(6125): 27년생, 응급(질병)
◦
사망자(4661): 79년생(장애인?), 응급(질병)
◦
사망자(5011): 42년생, 고혈압, 응급 X
◦
생존자(6420): 54년생, 응급X
◦
생존자(720): 58년생, 응급X
◦
생존자(3470): 43년생, 응급X
◦
생존자(5130): 43년생, 응급X
◦
생존자(5508): 50년생, 응급X
◦
생존자(1894): 57년생, 응급(응급외)
◦
생존자(5366): 33년생, 응급(응급외)
1일단위 활동량지수(2-1)
총 누적평균 외출시간(5-6): 데이터 추세 확인이 가능
온도, 습도(6-1~6-4)
특징 추출
•
elapsedDaysSinceBirth (profile, 생년월일)
•
