Ensemble Classifier Managing Uncertainty in Accelerometer Data within Human Activity Recognition Systems
Year: 2019
Type: dissertation
Abstract: Human activity recognition (HAR) er et forskningsområde med mål om å klassifisere aktiviteter\nutført av personer ved hjelp av data hentet inn av video eller sensorer festet på\nkroppen. HUNT er den største helseundersøkelsen i Norge, og har nylig avsluttet den\nfjerde undersøkelsen, hvor totalt 38 756 personer har deltatt og hatt to sensorer festet på\nkroppen som har registrert aktivitetsdata i tre akser. HAR systemer krever ofte at alle sensorer\ner operative og festet til kroppen til en hver tid. På dette grunnlaget viser systemene\nsvakheter ved at det oppstår mye feilklassifiseringer på grunn av uforutsette hendelser, som\nat sensoren går tom for strøm, montert i feil retning, posisjon eller tatt av under aktivitest\nregistreringen. For å gjøre HAR systemer mer robuste mot dette problemet, forsker denne\nmasteren på bruken av en ny type ensemble classifier, der en meta classifier klassifiserer\nhvilke sensorer som registrerer gyldig data og eliminerer ugyldig data, før den dynamisk\nendrer hvilken LSTM-RNN aktivitets klassifiserings modell den gyldige dataen blir sendt\ntil. Den utviklede meta classifieren er trent på ett nytt datasett, ”Sensor no-wear time”,\nsom består av data som ikke er samlet inn under kontrollerte omgivelser, og oppnår en\nnøyaktighet på 97.2%. Den viser lovende resultater ved å komme med gyldige bidrag\ntil forskning innen folkehelse siden flere dager med feilklassifisering kan bli unngått.\nForskningen gjort i denne masteren viser at individuelle klassifiserings modeller for lår\nog rygg sliter med å klassifisere statiske aktiviteter som sitting og ligging. Modellen for\nbegge sensorene kombinert oppnår en nøyaktighet på 85.1% sammenlignet opp mot det\neksisterende systemet som oppnår 76.5%, er derfor det beste alternativet for aktivitets klassifisering,\nettersom den klarer å differensiere mellom de statiske aktivitetene. Lagring av\naktivitets klassifieserings resultetene med filformatet Feather gir de minste filstørrelsene,\nog gir en reduksjon fra 2.5 GB til 941 KB per deltager med en enkel komprimerings algoritme.\nDette resulterer i en total reduksjon på 99.96%, da nødvendig lagringsplass går fra\n96.89 TB til 0.036469396 TB for alle deltagere i HUNT4.
Source: NVA (Nasjonalt vitenarkiv)
Institution: Norwegian University of Science and Technology
Language: English
Subfield: Computer Vision and Pattern Recognition
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W2987310125
