ПРЕПОЗНАВАЊЕ ЉУДСКИХ АКТИВНОСТИ УПОТРЕБОМ МОДЕЛА МАШИНСКОГ УЧЕЊА

Теодора Недић; Јелена Сливка

doi:10.24867/26BE14Nedic

Теодора Недић
Јелена Сливка

DOI: https://doi.org/10.24867/26BE14Nedic

Ključne reči: препознавање људске активности, конволуционе неуронске мреже, метод насумичне шуме, машинско учење

Apstrakt

Проблем препознавања људских активности се користи за дефинисање образаца понашања човека. За препознавање се користе сигнали уграђених сензора паметних телефона или носивих уређаја. Сирове податке потребно је претпроцесирати применом филтера за шум и затим узорковати помоћу фиксираних клизајућих прозора. Из сваког прозора, вектор обележја се добија рачунањем статистичких променљивих из домена времена и фреквенције. У овом раду су, над тако обрађеним подацима, обучени статистички модели машинског учења и конволуционе неуронске мреже. Најбоље резултате постигли су модели насумичне шуме (F-мера 0.93) и конволуциона неуронска мрежа (F-мера 0.94). На основу добијених резултата и радова других аутора, сматра се да ефикасност различитих класификатора у највећој мери зависи од самог скупа података, због чега се у литератури може наћи велики број различитих техника за решавање овог проблема које дају сличне резултате.

Reference

[1] Ronao, C. A., & Cho, S. B. (2016). Human activity recognition with smartphone sensors using deep learning neural networks. Expert systems with applications, 59, 235-244.
[2] Wan, S., Qi, L., Xu, X., Tong, C., & Gu, Z. (2020). Deep learning models for real-time human activity recognition with smartphones. Mobile Networks and Applications, 25(2), 743-755.
[3] UCI HAR dataset [Reyes-Ortiz, Jorge, Anguita, Davide, Ghio, Alessandro, Oneto, Luca & Parra, Xavier. (2012). Human Activity Recognition Using Smartphones. UCI Machine Learning Repository.]
[4] PAMAP2 dataset [A. Reiss and D. Stricker. Introducing a New Benchmarked Dataset for Activity Monitoring. The 16th IEEE International Symposium on Wearable Computers (ISWC), 2012.]
[5] Minarno, A. E., Kusuma, W. A., Wibowo, H., Akbi, D. R., & Jawas, N. (2020, June). Single triaxial accelerometer-gyroscope classification for human activity recognition. In 2020 8th International Conference on Information and Communication Technology (ICoICT) (pp. 1-5). IEEE.
[6] Smartphone Dataset for Human Activity Recognition (HAR) in Ambient Assisted Living (AAL) Data Set
[7] Vieyra, Chrystian, Vieyra, Rebecca. Physics Toolbox Suit
[8] Lara, O. D., & Labrador, M. A. (2013). A Survey on Human Activity Recognition using Wearable Sensors. IEEE Communications Surveys & Tutorials, 15(3), 1192-1209. doi:10.1109/SURV.2012.110112.00192