Tegevuse tuvastamine kiirendusandurite abil
Year: 2019
Type: dissertation
Abstract: Automaatsel tegevuse tuvastamisel on palju rakendusi, iseäranis tervise valdkonnas. Erinevate igapäevaeluliste tegevuste mõõtmine on kasulik, sest see võimaldab saada teavet terviseseisundite kohta, nagu näiteks ülekaalulisus, insult või kukkumine. Veelgi enam, erinevate kasutajasõbralike kantavate seadmete laialdane levik võimaldab koguda kolmeteljelise kiirendusanduri andmeid mittesegavalt ja diskreetselt. Käesolevas töös on tegevuse tuvastamiseks kasutatud kiirendusanduri andmed on pärit projektist SPHERE [1]. Kiirendusmõõtmised on tehtud nelja kantava seadmega, mis olid kinnitatud katseisiku randmetele ning jalgadele.Töö võrdleb otsustusmetsa (random forest) ning pika lühiajalise mäluga (LSTM) tehisnärvivõrkude võimet tuvastada 9 siseruumi tegevust: hambapesu, söömine, hambaniiditamine, riietumine/lahtiriietumine, (toidu) segamine, (toidu) pealemäärimine, kõndimine, käte pesemine, kirjutamine. Lisaks laiendatakse tegevuste hulka teadmata tegevusega. Suuremat tähelepanu pööratakse järgmistele teemadele: tunnuste eraldamine, kiirendusanduri aegrea tükeldamine, parameetrite ja hüperparameetrite häälestamine, mudeli treenimine, mudeli hindamine ning üldistusvõime. Tulemused näitavad, et kiirendusanduril põhinevaid ekstraheeritud tunnuseid kasutav otsustusmets ületab tuvastusvõimelt pisut kiirendusanduri mõõtetulemusi muutmata kujul kasutavat LSTM-võrku, ning seda nii 9 tegevuse tuvastamisel kui ka peale teadmata tegevuse lisamist.
Author: Sardjoski, Hristijan
Institution: University of Tartu
Language: Estonian
Subfield: Computer Vision and Pattern Recognition
Field: Computer Science
Domain: Physical Sciences
Keywords: activity recognition, accelerometer, wearable sensors, triaxial accelerometry, random forest, LSTM, feature extraction, generalization, Sphere Project, daily activities, health monitoring, model training and evaluation, hyperparameter optimization, precision and recall, F1 score, confusion matrix, ROC curve, precision-recall curve, cross-validation
Open Access status: green
OpenAlex ID: W7015446198
