Розпізнавання людської діяльності за допомогою портативних натільних датчиків
The article describes systems of human activity recognition (HAR) that uses wearable sensors by the systematization of types of sensors for human activity recognition and methods of data collection. The model for implementation process of HAR is described and each component of the recognition proces...
Saved in:
| Date: | 2020 |
|---|---|
| Main Authors: | , |
| Format: | Article |
| Language: | Ukrainian |
| Published: |
The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
2020
|
| Subjects: | |
| Online Access: | https://journal.iasa.kpi.ua/article/view/216143 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | System research and information technologies |
| Download file: |  |
Institution
System research and information technologies| _version_ | 1866302694889619456 |
|---|---|
| author | Kyslyi, Roman V. Petrenko, Anatolii I. |
| author_facet | Kyslyi, Roman V. Petrenko, Anatolii I. |
| author_sort | Kyslyi, Roman V. |
| baseUrl_str | http://journal.iasa.kpi.ua/oai |
| collection | OJS |
| datestamp_date | 2021-01-19T13:44:38Z |
| description | The article describes systems of human activity recognition (HAR) that uses wearable sensors by the systematization of types of sensors for human activity recognition and methods of data collection. The model for implementation process of HAR is described and each component of the recognition process is thoroughly analyzed. Methods for identifying human activities using different sensors are proposed and their strengths and weaknesses are identified. The process of finding temporary matches between frames is presented in the diagram with a detailed explanation of each transition. Based on the analysis, a combination of both algorithms and methods is proposed, which will increase the HAR system's efficiency as a whole. |
| doi_str_mv | 10.20535/SRIT.2308-8893.2020.2.03 |
| first_indexed | 2025-07-17T10:26:50Z |
| format | Article |
| fulltext |
Р.В. Кислий, А.І. Петренко, 2020
Системні дослідження та інформаційні технології, 2020, № 2 41
TIДC
ПРОГРЕСИВНІ ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ,
ВИСОКОПРОДУКТИВНІ КОМП’ЮТЕРНІ
СИСТЕМИ
УДК 004.94
DOI: 10.20535/SRIT.2308-8893.2020.2.03
РОЗПІЗНАВАННЯ ЛЮДСЬКОЇ ДІЯЛЬНОСТІ
ЗА ДОПОМОГОЮ ПОРТАТИВНИХ НАТІЛЬНИХ ДАТЧИКІВ
Р.В. КИСЛИЙ, А.І. ПЕТРЕНКО
Анотація. Досліджено системи розпізнавання людської діяльності (HAR) за
допомогою систематизації типів натільних датчиків для HAR та розглянуто
методи збору даних з цих датчиків. Описано модель процесу реалізації HAR та
ретельно проаналізовано кожний компонент процесу розпізнавання. Запропо-
новано методи ідентифікації людської діяльності для різних видів діяльно-
сті і визначено їх сильні і слабкі сторони. Виконано порівняльний аналіз цих
методів. Процес пошуку тимчасових збігів подано у вигляді діаграми з деталь-
ним поясненням кожного переходу. На основі виконаного аналізу запропоно-
вано поєднання як алгоритмів, так і методів, що сприятимуть підвищенню
ефективності системи розпізнавання людської діяльності в цілому.
Ключові слова: розпізнавання людської діяльності, класифікація, відстежен-
ня, ідентифікація.
ВСТУП
Потреби в розумінні людської діяльності останнім часом неухильно зроста-
ють у сфері охорони здоров’я, особливо в організації допомоги літнім лю-
дям, реабілітаційній допомозі при цукровому діабеті, розладах при когніти-
вних захворювань, а також в поліпшенні життя та підтримання благоустрою.
Значний обсяг ресурсів буде збережений, якщо датчики зможуть допомогти
реєстраторам контролювати пацієнтів безперервно і звітувати автоматично в
разі виявлення будь-якої ненормальної поведінки. Для зменшення наванта-
ження на систему і в той же час збільшення кількості людей, за якими ве-
деться медичне спостереження, останнім часом активно розвивається теле-
медицина. Телемедицина — використання електронних інформаційних та
телекомунікаційних технологій для допомоги і консультування пацієнтів на
відстані [1, 2]. Відповідно телемедицина вимагає також можливості отриму-
вати дані про стан пацієнта онлайн, що, у свою чергу, робить необхідним
розвиток HAR.
Багато років основними методами комунікації між клінікою та пацієн-
тами були текстові та графічні інтерфейси. Розпізнавання стану пацієнта
в режимі реального часу може це змінити. Тому системи, які збирають дані
Р.В. Кислий, А.І. Петренко
ISSN 1681–6048 System Research & Information Technologies, 2020, № 2 42
про пацієнта за допомогою датчиків, є перспективним напрямом розвитку
інтерфейсів взаємодії для телемедицини.
Системи, що забезпечують роботу телемедицини, можна розбити на
критичні та некритичні. Але в обох категоріях важливою частиною таких
систем є отримання і аналіз даних з натільних датчиків. Багато таких систем
створено за принципом «сповіщення за фактом». Наприклад, прилади
з натільними датчиками, які кількісно оцінюють фізичну активність, мо-
жуть використовувати пацієнти із хронічними порушеннями легень для під-
тримання рівня їх активності, оскільки бездіяльність погіршує їх стан. Що
стосується можливих застосувань не в медицині, то натільні датчики мо-
жуть використовуватися для моніторингу фізичних навантажень
професійними спортсменами для підвищення ефективності їх тренувань [3].
Таким чином, в умовах сучасного розвитку інформаційних технологій
HAR ефективно застосовується як інтерфейс між людьми і комп’ютерами
вже протягом тривалого періоду часу. Крім опису ряду важливих технологій
і алгоритмів HAR, перспективним є дослідження HAR і вивчення можливо-
сті застосування HAR у взаємодії людини з роботою, комп’ютером, роботи-
зованою системою. У моделі HAR для взаємодії людини і складного
комп’ютеризованого агрегату є чотири основні технічні компоненти:
1) сенсорні технології;
2) ідентифікація людської діяльності;
3) відстеження людської діяльності;
4) класифікація людської діяльності.
Наведемо визначення проблеми HAR: якщо дано набір вимірів S та-
кий, що },,{ 10 kSSS , де k — кількість вимірів, кожен з яких виконано
в інтервалі ],[ ttI , то мета — найти відповідне I з набору значень ста-
нів ],,[ 0 rIII , базуючись на даних із S . Причому в кожний момент часу
може розглядатися лише один стан I (наприклад, людина не може бігти і
сидіти одночасно) [5].
Згідно з визначенням HAR включає в себе вивчення рухів людини. Рух
людини — це складна функція, на яку впливає безліч факторів, включаючи
фізіологічні, анатомічні, психологічні та соціальні ефекти [3], тому самі ру-
хи можна розбити на великі підгрупи (табл. 1).
Т а б л и ц я 1 . Типи активностей, які можуть розпізнаватися найсучасні-
шими HAR системи
Група Активності
Пересування
Ходьба, біг, сидіння, лежання, підіймання сходами,
спускання сходами, їзда в ліфті тощо
Рутинні активності
Приймання їжі, пиття, робота за ПК, читання, чищення
зубів, розтягування, прибирання тощо
Вправи
Веслування, підняття ваги, нордична ходьба,
віджимання і т.ін.
Різні рухи мають різні складність і точність розпізнавання. Наприклад,
ходьбу, біг або спокій простіше відрізнити ніж складніші рухи на зразок жу-
Розпізнавання людської діяльності за допомогою портативних натільних датчиків
Системні дослідження та інформаційні технології, 2020, № 2 43
вання, вставання з місця чи конкретного помаху рукою. Для розпізнавання
цих рухів використовуються системи натільних датчиків, які кріпляться в
різних місцях: на поясі, на грудях, на зап’ясті тощо.
Відповідно в різних системах використовують різні сенсори. Найчасті-
ше використовують такі.
Акселерометри — вимірюють прискорення вздовж осей. Оскільки
вони вимірюють прискорення за рахунок сили тяжіння та руху, фактичну
складову прискорення, пов’язаного з рухом, потрібно відокремити від граві-
таційної. Існує кілька типів акселерометрів, що базуються на п’єзоелектричних,
п’єзорезистивних або варіативних способах трансдукції. Усі вони викорис-
товують один і той же принцип роботи маси, яка реагує на прискорення,
Гіроскопи — вимірюють кутову швидкість, використовуючи ефект
Коріоліса.
Магнетометри — можуть бути застосовані для вимірювання орієн-
тації фрагмента тіла відносно магнітного полюса Землі, використовуючи
електромагнітну індукцію.
Датчики тиску — оцінюють розподіл тиску на планку (наприклад
стопи, чи іншої частини тіла). Вони часто реалізуються за допомогою резис-
тивних або ємнісних тензодатчиків.
Актометри — зазвичай прикріплюються до кінцівок людини, щоб
виміряти величину механічних рухів. Отриманий вихід є вимірюванням
«одиниць актометра» за відомий проміжок часу; це дає змогу оцінити зага-
льні витрати енергії [3].
Розташування датчиків на корпусі дуже залежить від того, які рухи по-
трібно вимірювати. Наприклад, зап’ястя може бути ідеальним місцем для
спостереження за тремором, пов’язаним із хворобою Паркінсона, але це не
найкраще місце для вимірювання загальних рухів людини [4]. Проте акселе-
рометр, закріплений на поясі, добре вимірює загальні рухи (наприклад,
ходьбу чи біг) і зовсім не підходить для спостереження за хворобою Пар-
кінсона.
Багато засобів, притаманних HAR, застосовують техніки комп’ютерного
зору та оброблення зображень [5]. Для цього потрібні камери і присутність
людини в зоні спостереження. Розвиток мобільних технологій і вдоскона-
лення технологічних процесів ведуть до зменшення розмірів і збільшення
потужності мобільних пристроїв, появи переносної електроніки, оснащеної
різними датчиками.
До датчиків, що необхідні для техніки комп’ютерного зору, належать
чотири категорії датчиків: камера, маркер, стереокамера, сенсор глибини.
У маркерному підході датчиком є оптична камера. У більшості рішень на
основі маркерів користувачам необхідно носити видимі маркери [6], які
збирають інформацію та передають її класифікаторам. Застосування камер
для HAR почалося на початку 90-х років [7]. Недоліком однокамерного під-
ходу є обмеження кута огляду, що впливає на надійність системи [7]. Однак
у недавніх дослідженнях застосовувався однокамерний підхід до високо-
швидкісного HAR [8]. Система використовує датчик швидкості і спеціально
розроблений процесор візуальних обчислень для досягнення високошвидкі-
сного розпізнавання рухів людини. Стереокамера застосовується для надій-
ного HAR за допомогою 3D-зору. Стереокамера використовується як дода-
Р.В. Кислий, А.І. Петренко
ISSN 1681–6048 System Research & Information Technologies, 2020, № 2 44
ток, що містить дві оптичні камери для створення інформації про глибину
3D. Недоліком застосування стереокамер є складність обчислень і труднощі
з калібруванням [8]. Перспективним інноваційним надбанням сьогодення є
датчик глибини, який визначається як монодатчик. Монодатчики глибини
мають ряд переваг порівняно з традиційними стереокамерами, головними
з яких є безпроблемне налаштування калібрування і невибагливість до умов
освітлення [9]. Крім того, вихідною інформацією датчика глибини є інфор-
мація про глибину 3D. Порівняно з інформацією про колір інформація про
глибину 3D спрощує проблему HAR [8]. Існує два типи загальних не сте-
реодатчиків глибини: камера з «часом прольоту» (ToF) і Microsoft Kinect
(або аналогічні ІК-датчики). Основним принципом камер ToF є визначення
часу проходження світла [1]. Перевагою камер ToF є більш висока частота
кадрів. Обмеження камери ToF полягає в тому, що щільність камери сильно
залежить від її світлочутливості та рефлексії [6]. Microsoft Kinect надає
більш доступне рішення для розпізнавання жестів. Kinect — інфрачервоний
датчик глибини.
Можливості застосування різних методів розпізнавання жестів руки
в реальному часі як керування різними системами і пристроями наводять
Н.О. Кулішова, Д.А. Авдєєв [28]. У праці проаналізовано сучасні методи
розпізнавання жестів руки в реальному часі й оцінено можливості їх засто-
сування в керуванні системою розумного будинку.
В.В. Савінова та В.О. Колесніков [9] розкрили сутність застосування
методів комп’ютерного зору в автомобільній індустрії, детально описали
методи компанії Itseez. Itseez веде діяльність у восьми напрямах: системи
автомобільної безпеки на основі комп’ютерного зору; 3D (стерео, реконст-
рукція, структурне підсвічування); розпізнавання сцен, виявлення / класифі-
кація об’єктів; доповнена реальність; розпізнавання жестів; реконструкція
скелета; глибоке / машинне навчання; згорткові нейронні мережі.
ПРОЦЕС HAR
Проектування будь-якої системи HAR залежить передусім від активностей,
які необхідно розпізнати. Зі зміною множини станів зразу виникає необхід-
ність у перетренуванні моделей розпізнавання [10]. Тому будь-який проект
HAR складається з таких стадій [11]:
визначення активностей, які мають бути розпізнані;
збирання даних із сенсорів;
початкове оброблення даних та генерація ознак;
створення моделі класифікації діяльності.
Стадії функціонування HAR системи показано на рис. 1. Навчальний
етап спочатку вимагає збирання даних — створення датасету з часових ря-
дів для всіх осіб і для кожної діяльності, що розпізнається. Часові ряди роз-
діляються, використовуючи вікна, щоб вилучити ознаки, тим самим відфіль-
тровуючи корисну інформацію з початкових сигналів. Після цього
створений датасет використовується для навчання моделей розпізнавання
активностей. Так само для тестування дані збираються під час часового вік-
на з окремої людини, виміри даних з якої не входять у навчальний датасет.
Розпізнавання людської діяльності за допомогою портативних натільних датчиків
Системні дослідження та інформаційні технології, 2020, № 2 45
Загальну схему збирання даних для систем HAR зображено на рис. 2.
Натільні датчики, прикріплені до тіла людини, насамперед вимірюють
такі атрибути, як рух [4], розташування, температура, ЕКГ [12]. Ці датчики
повинні спілкуватися з інтеграційним пристроєм (ID), який може бути мобі-
льним телефоном [13], ноутбуком або спеціалізованою вбудованою систе-
мою [14]. Основна мета — попереднє оброблення даних, отриманих від дат-
чиків, а в деяких випадках надсилання їх на сервер для моніторингу,
візуалізації та /або аналізу в режимі реального часу [13]. Протокол зв’язку
може бути UDP / IP або TCP / IP, GPRC чи інший, відповідно до бажаного
рівня надійності [10].
Таким чином, основні виклики, які стоять перед HAR системами, такі ж
як і для будь-яких натільних real-time систем:
вибір даних, які вимірюються;
вибір ознак з отриманих даних;
протокол спілкування між датчиками та серверною частиною;
точність розпізнавання;
споживання енергії;
гнучкість.
Збирання даних
GPS Фізіологічні дані
Дані руху
Дані
з навколишнього
середовища
Генерування ознак
Навчання
Модель
Розпізнавання активності
Рис. 1. Загальна діаграма процесу в HAR системі [11]
Натільні
датчики
Пристрої-передавачі
(смартфон, роутер,…)
Сервер,
сховище даних
Рис. 2. Загальна схема збирання даних для HAR
Р.В. Кислий, А.І. Петренко
ISSN 1681–6048 System Research & Information Technologies, 2020, № 2 46
Вибір даних, які вимірюються
Дані, які вимірюються натільними датчиками, можна поділити на групи:
зовнішні (дані із середовища), дані руху, фізіологічні дані.
Зовнішні дані (дані із середовища) — це незалежні від людини
показники навколишнього середовища (температура, вологість, швидкість
вітру і т.ін.).
Дані руху — вимірюються натільними датчиками, такими як акселе-
рометр. У даний вид вимірів входять рухи — ходьба, біг тощо.
Локація — дані, зібрані за допомогою GPS.
Фізіологічні сигнали — пульс, дихання, температура тіла тощо.
Протокол спілкування між датчиками та серверною частиною.
Важливою частиною системи HAR є протокол спілкування між датчиками
та серверною частиною. Такий протокол має бути надійним, оскільки про-
пущені дані можуть відчутно впливати на точність результату. Наприклад,
у 1999 р. F. Foerster, M. Smeja, J. Fahrenberg [15] продемонстрували 95,6%
точності для амбулаторних заходів у контрольованому експерименті зби-
рання даних, але у природних умовах (тобто поза лабораторією) точність
знизилася до 66%.
Точність розпізнавання. Оскільки одні активності розпізнати значно
простіше ніж інші, то необхідно визначити метрики, якими буде вимірюва-
тися точність розпізнавання активності.
Споживання енергії. Оскільки натільні датчики не повинні створюва-
ти незручностей людині, то вони мають мати автономне джерело енергії.
Ураховуючи їх розміри, це джерело має бути невеликим за розмірами.
У HAR системах здебільшого використовуються мережі малого радіуса дії
(Wi-Fi, Bluetooth), що також накладає певні обмеження на споживання
енергії.
Гнучкість. Оскільки люди проявляють діяльність по-різному (через
вік, стать, масу тощо), для кожної людини може бути побудована конкретна
модель розпізнавання [16]. Так як це неможливо, то система має бути гнуч-
кою до різних проявлень однієї і тієї ж діяльності. Такої гнучкості можна
досягти, використовуючи або багато даних для тренування моделі, або нор-
муючи значення оброблених сигналів.
МЕТОДИ ОЦІНЮВАННЯ ТОЧНОСТІ СИСТЕМИ HAR
Під час збирання даних необхідно зібрати якомога більше вимірювань з різ-
них людей. При цьому можуть використовуватися різні датчики, які запи-
сують свої покази синхронно і одночасно.
З аналізу сирих даних необхідно вилучити ознаки і виділити ті з них,
які допомагають класифікувати активності. Оброблення зібраних даних, так
само як і генерація ознак, відбувається окремо для кожного датчика. Напри-
клад, для акселерометра, який вимірює прискорення вздовж трьох осей, по-
кази трансформуються в одне значення a :
222 zyxa .
Розпізнавання людської діяльності за допомогою портативних натільних датчиків
Системні дослідження та інформаційні технології, 2020, № 2 47
Так само нормалізуються і покази інших датчиків. Також для генерації
ознак використовуються багато інших технік і метрик. Наприклад, у праці
[17] використано середні, дисперсійні, енергетичні та енергетичні коефіціє-
нти дискретної трансформації Фур’є (DFT). Усі нові ознаки, які створюють-
ся під час обролення початкових даних, потім використовуються в моделях
класифікації.
Оскільки кожен набір даних демонструє різні характеристики та озна-
ки, які можуть бути корисними або ні для конкретного методу розпізнаван-
ня, то дуже важливо вибрати такі ознаки та методи, які будуть давати найбі-
льшу точність. Для кількісного розуміння ефективності розпізнавання
використовуються стандартні метрики, наприклад, точність, recall, precision,
F-метрика, ROC та ін.
Найбільш уживані методи для розпізнавання наведено в табл. 2. Також
наведено визначення деяких найбільш широко використовуваних ознак [18]
сигналу },,{ 1 nyyY .
Т а б л и ц я 2 . Групи ознак, які можна виділити з даних носівних датчиків
Група Метод
Часові ряди
Середнє, середнє відхилення, дисперсія, міжквартильний
діапазон (IQR), середнє абсолютне відхилення (MAD),
кореляція між осями, ентропія [19]
Частотні
перетворення
Фур’є-трансформація (FT) [20] Дискретне косинусне пере-
творення (DCT) [20]
Інші методи
Основний компонентний аналіз (PCA) [20], лінійний
дискримінантний аналіз (LDA) [18]
Вибір довжини вікна: поділ вимірюваного часового ряду на часові вікна
є зручним рішенням для оброблення числових рядів. При цьому ключовим
фактором є вибір довжини вікна. Наявність досить коротких вікон може під-
вищити продуктивність системи, утім зменшить можливість розпізнавання
складніших патернів (короткі вікна можуть не надати достатньої інформації
для повного опису виконуваної діяльності). І навпаки, якщо вікна занадто
довгі, в одному часовому вікні може бути більше ніж одна активність [20].
У літературі використовуються різні довжини вікон: 0,08 с, 1 с, 1,5 с, 3 с, 5 с
[21]. Зазвичай це рішення зумовлюється визнанням діяльності та вимірюва-
ними ознаками. Наприклад, для сигналу частоти серцевих скорочень потрібні
вікна 30 с [22]. Натомість для таких заходів, як ковтання, були застосовані
вікна 1,5 с. Часові вікна також можуть або перекриватися [22], або неперервно
йти один за одним [17, 18]. Вікна, що перекриваються, призначені для більш
точного керування переходами між інтервалами.
Однак питання дослідження систем HAR за допомогою різних датчиків
з подальшим їх упровадженням залишається відкритим і потребує додатко-
вого опрацювання із систематизацією типів датчиків для HAR та методів
збирання даних.
Навчання моделей розпізнавання
Не зважаючи на те, що останнім часом з розвитком технологій збирати дані
стало значно простіше, основні виклики для систем HAR становить розу-
Р.В. Кислий, А.І. Петренко
ISSN 1681–6048 System Research & Information Technologies, 2020, № 2 48
міння контексту. Для цього використовуються моделі машинного навчання,
які інтерпретують зібрані дані і прогнозують діяльність.
Для навчання моделі використовується навчальний датасет, який скла-
дається із зібраних даних з кількох людей, які описують необхідні активнос-
ті. У випадку HAR кожен рядок у датасеті є вектором ознак, витягнутим із
сигналів у часовому вікні. Приклади у навчальному наборі можуть бути або
не бути позначені, тобто пов’язані з відомим класом (наприклад, ходьба, біг
тощо). Існує два підходи до навчання — із вчителем та без учителя, яке сто-
сується відповідно мічених та нерозмічених даних.
Оскільки система розпізнавання людської діяльності повинна поверта-
ти клас діяльності, то більшість моделей для систем HAR використовують
навчання із вчителем.
Найпопулярніші алгоритми, які використовуються для класифікації ак-
тивностей, такі.
Дерева рішень: будують ієрархічну модель, у якій атрибути відобра-
жаються на вузлах, а ребра — можливі значення атрибутів. Кожна гілка від
кореня до вузла листя — це правило класифікації. Дерева рішень можуть
бути оцінені в O (log n) для n атрибутів і зазвичай генерують моделі, які лег-
ко зрозуміти людині.
Байєсівські методи: обчислюють імовірності для кожного класу, ви-
користовуючи оцінені умовні ймовірності з навчального набору. Naive
Bayes (NB) [23] — основний представник цієї сім’ї класифікаторів. Ключо-
вим питанням у байєсівських мережах є побудова топології, оскільки необ-
хідно зробити припущення про незалежність серед особливостей. Напри-
клад, класифікатор NB передбачає, що всі функції умовно незалежні з
урахуванням значення класу, але таке припущення у багатьох випадках не
відповідає дійсності. Наприклад, сигнали прискорення, фізіологічні сигнали
сильно корелюються між собою.
Метод опорних векторів (SVM) [24]: широко використовується в
HAR, хоча вони не містять набору зрозумілих людині правил. SVM покла-
даються на функції ядра, які проектують усі екземпляри на більший розмір-
ний простір з метою пошуку лінійної межі розв’язку для розподілу даних.
Нейронні мережі та глибоке навчання: останнім часом дуже попу-
лярним вибором як моделі стають глибокі нейронні мережі, які мають різну
архітектуру [25]. Так само як і SVN, вони не працюють за зрозумілими пра-
вилами, імітуючи роботу нейронів у мозку людини. Недоліками такого під-
ходу є необхідність великого датасету для початкового навчання. Оскільки
нейронні мережі набули значного поширення, то можна розподілити їх на
різні типи.
Convolutional Neural Network (CNN): клас нейронних мереж, що міс-
тять згорткові шари, які містять нейрони, що виконують згортку на невели-
ких частинах вхідної інформації, отримуючи таким чином ознаки, що несуть
інформацію про локальні структури. Крім оброблення зображень [17], розпі-
знавання звуку та оброблення природних мов [19], CNN нещодавно почали
застосовуватися для оброблення часових рядів у сенсорі HAR.
Long Short-Term Memory (LSTM): один з найуспішніших та найпо-
ширеніших варіантів рекурентних нейронних мереж, у яких є шари, що міс-
тять комірки LSTM, здатні зберігати інформацію у внутрішній пам’яті. Ме-
Розпізнавання людської діяльності за допомогою портативних натільних датчиків
Системні дослідження та інформаційні технології, 2020, № 2 49
режі LSTM використовуються для знаходження тимчасових залежностей
у різноманітних галузях.
Рекурентні нейронні мережі (RNN): здатні моделювати довгостро-
кові залежності у часових рядах, поширюючи інформацію через їх детермі-
нований прихований стан. Наприклад TCN (Temporal Convolution Network)
використовує великі послідовності даних, створюючи багато розширених
згорток, що дає змогу моделювати більші послідовності подій. Викорис-
тання RNN дозволило отримати відмінні результати у багатьох сферах, та-
ких як послідовна класифікація зображень, аудіокласифікація, моделювання
мови тощо [27].
Гібридна модель, що містить шари CNN і LSTM: скориставшись ви-
сокою модульністю архітектури на основі нейронних мереж, попередні до-
слідження довели, що гібридні архітектури можуть отримувати ознаки, які
містять інформацію про короткострокові та довгострокові залежності в ча-
совому ряду, і як результат дають кращі показники, ніж чисті CNN або
LSTM мережі [26].
Класифікація людської діяльності — це останній і найважливіший крок
у HAR. Більшість людських рухів/жестів — це динамічні процеси. Один ди-
намічний процес завжди складається з декількох кадрів. Щоб класифікувати
динамічні процеси, класифікацію людської діяльності потрібно виконувати
після або разом з відстеженням людської діяльності. У підході до класифі-
кації людської діяльності застосовують кілька методів: метод K-найближчих
сусідів, приховану марковську модель, метод опорних векторів, метод
ансамблю, динамічне деформування часових рядів, штучні нейронні мережі,
глибоке навчання. Переваги та недоліки зазначених методів використовува-
них для класифікації людської діяльності у процесі її розпізнавання наведе-
но в табл. 3.
Оцінювання моделі
Для оцінювання точності моделі передбачення використовується розбиття
навчального набору даних на частини. Важливо, щоб показники, зняті з од-
нієї людини, не входили одночасно в тренувальний набір та набір для тесту-
вання. Переважна більшість досліджень використовує перехресну валідацію
зі статистичними тестами для порівняння ефективності класифікаторів. Ре-
зультати класифікації для конкретного методу можуть бути організовані в
матриці плутанини M )( nn класифікації з n класами. Матриця М побу-
дована таким чином, що елемент Mij — це кількість екземплярів із класу i ,
які насправді були класифіковані як клас j . Таким чином, з такої матриці
можна отримати важливі метрики:
True positive (TP): кількість позитивних екземплярів, які були класи-
фіковані як позитивні.
True negative (TN): кількість негативних випадків, які були класифі-
ковані як негативні.
False positive (FP): кількість негативних випадків, які були класифі-
ковані як позитивні.
False negative (FN): кількість позитивних випадків, які були класифі-
ковані як негативні.
Р.В. Кислий, А.І. Петренко
ISSN 1681–6048 System Research & Information Technologies, 2020, № 2 50
Точність (accuracy) — стандартна метрика для визначення якості моде-
лі. Загальна ефективність класифікації для всіх класів і визначається таким
чином:
accuracy = (TP + TN) / (TP + TN + FP + FN).
Точність, яку часто називають позитивною прогнозною величиною
(precision), — це відношення правильно класифікованих позитивних випад-
ків до загальної кількості випадків, віднесених до позитивних:
precision = TP / ( TP + FP).
Покриття (recall) — це відношення правильно класифікованих пози-
тивних випадків до загальної кількості позитивних випадків:
recall = TP /(TP + FN).
F-міра поєднує в одному значенні precision і recall: F-міра 2
(precision*recall)/(precision+recall).
Т а б л и ц я 3 . Порівняльний аналіз методів класифікації HAR
Метод
класифікації
людської
діяльності
Переваги Недоліки
Прихована
марковська
модель
Гнучкість навчання і
перевірки, прозорість моделі
Потребує регулювання вхідних
параметрів
Метод опорних
векторів (SVM)
Є можливість застосовувати
різні функції ядра
Кількість опорних векторів зрос-
тає лінійно з розміром навчально-
го набору
Динамічне
деформування
часових рядів
Надійне нелінійне
вирівнювання часових рядів
Складний підхід до структури
даних, їх обсягу та часу
на оброблення
Штучні
нейронні мережі
Здатність виявляти складні
нелінійні залежності
між змінними
Не є можливим використання за
наявності малої кількості даних,
необхідна максимальна вибірка
початкових даних для навчання
Глибоке
навчання
Значно перевищує інші
методи машинного навчання
Необхідна максимальна вибірка
початкових даних для навчання,
використовуються значні
потужності на обчислення
Пріоритетною тенденцією сьогодення є підхід глибокого навчання. Ос-
новними обмеженнями глибокого навчання є обмежені обчислювальні по-
тужності. Однак обчислювальна потужність має експоненціальне зростання.
Кількість додатків HAR, заснованих на глибокому навчанні, швидко зрос-
тає. Перспективним напрямом є об’єднання різних алгоритмів класифікації
для досягнення більшої ефективності HAR та вищої продуктивності. Коор-
динація алгоритмів класифікації людської діяльності за допомогою алго-
ритмів ідентифікації та відстеження рухів зумовить удосконалення механіз-
му HAR.
Натепер, використовуючи state-of-the-art моделі, можна класифікувати
певні типи рухів, які потребують значної рухливості, з точністю, близькою
Розпізнавання людської діяльності за допомогою портативних натільних датчиків
Системні дослідження та інформаційні технології, 2020, № 2 51
до 100% (наприклад ходьба, біг, падіння). Для діяльностей, які використо-
вують менше рухів, або потребують точнішого розпізнавання, точність все
ще досить низька (наприклад, дихання чи швидкі стрибки) [26].
ВИСНОВКИ
Усі натільні датчики мають переваги і недоліки, які ґрунтуються на функці-
ональних можливостях та особливостях використання. Так, датчик-браслет
має велику зону зондування. Щоб використовувати повний потенціал про-
дуктивності HAR системи, в одній і тій же системі можуть комбінуватися
різні датчики для HAR. Аналогічно датчикам різні алгоритми класифікації
людської діяльності також мають свої переваги і недоліки, їх комбінування
сприятиме підвищенню ефективності системи в цілому. Аналіз існуючих
систем розпізнавання дій людини показав, що певні недоліки і незручності
використання портативних натільних датчиків низького рівня можна компен-
сувати за рахунок методів машинного навчання і тим забезпечити багату
контекстуальну інформацію в реальному застосуванні. Тому на відміну від
існуючих прототипів в роботі наголос зроблено на дослідження властивостей
таких систем з використанням новітніх згорткових нейронних мереж (CNN).
ЛІТЕРАТУРА
1. WHO. Demographic trends, statistics and data on ageing. Available:
http://www.euro.who.int/en/health-topics/Life-stages/healthy-ageing/data-and-
statistics/demographic-trends,-statistics-and-data-on-ageing.
2. S. Tal, S.J. Redmond, M.R. Narayan, and N.H. Lovell, Sensors-Based Wearable
Systems for Monitoring of Human Movement and Falls. Available:
https://ieeexplore.ieee.org/document/5754557.
3. A. Godfrey, R. Conway, D. Meagher, and G. ÓLaighin, “Direct measurement of
human movement by accelerometry”, Med. Eng. Phys., vol. 30, pp. 1364–1386,
2008.
4. J. Iglesias, J. Cano, A. M. Bernardos, and J.R. Casar, “A ubiquitous activity-monitor
to prevent sedentariness”, in IEEE Conference on Pervasive Computing and Com-
munications, 2011.
5. Nielsen E. Sanchez, L. Antуn Canalos, and M. Tejera, “Hand Getsure recognition
for Human Machine Intercation”, in Proc. 12th International Conference on Com-
puter Graphics, Visualization and Computer Vision : WSCG, 2014, pp. 137–148.
6. Y. Katsuki, Y. Yamakawa, and M. Ishikawa, “High-speed Human/Robot Hand In-
teraction System”, in Proceedings of the Tenth Annual ACM/IEEE International
Conference on Human-Robot Interaction Extended Abstracts, ACM, 2015,
pp. 117–118.
7. Ke. Shian-Ru, Hoang Le Uyen Thuc, Yong-Jin Lee, Jenq-Neng Hwang, Jang-Hee
Yoo, and Kyoung-Ho Choi, “A Review on Video-Based Human Activity Recogni-
tion”, in Computers, no. 2(2), pp. 88–131, 2013. Available: https://www.
mdpi.com/2073-431x/2/2/88
8. О.О. Швачка та В.М. Барбарук, “Дослідження комп’ютерних технологій та ме-
тодів розпізнавання жестів людини для керування комп’ютером”, Наукові вісті
Далівського університету, 2018, № 15. Доступно: http://nbuv.gov.ua/ UJRN/
Nvdu_2018_15_17
9. В.В. Савінова та В.О. Колесніков, “Застосування методів комп’ютерного зору в
автомобільній індустрії”, Матеріали V Міжнародної науково-технічної інтер-
нет-конференції “Проблеми та перспективи розвитку автомобільного транс-
Р.В. Кислий, А.І. Петренко
ISSN 1681–6048 System Research & Information Technologies, 2020, № 2 52
порту”, 13–14 квітня 2017 р., м. Вінниця, c. 113–120. Доступно:
http://dspace.luguniv.edu.ua /xmlui/handle/123456789/2028.
10. D. L. Oscar and A. L. Miguel, A Survey on Human Activity Recognition using Wear-
able Sensors. Available: https://ieeexplore.ieee.org/document/6365160.
11. I. Khokhlov, L. Reznik, J. Cappos, and R. Bhaskar, Design of Activity Recognition
Systems with Wearable Sensors. Available: https://ieeexplore.ieee.org/
abstract/document/8336752.
12. D. Choujaa and N. Dulay, “Tracme: Temporal activity recognition using mobile
phone data”, in IEEE/IFIP International Conference on Embedded and Ubiquitous
Computing, vol. 1, pp. 119–126, 2008.
13. T. Brezmes, J.-L. Gorricho, and J. Cotrina, “Activity recognition from accelerometer
data on a mobile phone”, in Distributed Computing, Artificial Intelligence, Bioin-
formatics, Soft Computing, and Ambient Assisted Living, Springer Berlin / Heidel-
berg, 2009, vol. 5518, pp. 796–799.
14. T.-P. Kao, C.-W. Lin, and J.-S. Wang, “Development of a portable activity detector
for daily activity recognition”, in IEEE International Symposium on Industrial Elec-
tronics, pp. 115–120, 2009.
15. F. Foerster, M. Smeja, and J. Fahrenberg, “Detection of posture and motion by ac-
celerometry: a validation study in ambulatory monitoring”, Computers in Human
Behavior, vol. 15, no. 5, pp. 571–583, 1999.
16. M. Berchtold, M. Budde, H. Schmidtke, and M. Beigl, “An extensible modular rec-
ognition concept that makes activity recognition practical”, in Advances in Artificial
Intelligence, Lecture Notes in Computer Science, Springer Berlin / Heidelberg, 2010,
pp. 400–409.
17. S. Reddy, M. Mun, J. Burke, D. Estrin, M. Hansen, and M. Srivastava, “Using mo-
bile phones to determine transportation modes”, ACM Transactions on Sensor Net-
works, vol. 6, no. 2, pp. 1–27, 2010.
18. Y.-P. Chen, J.-Y. Yang, S.-N. Liou, Gwo-Yun Lee, and J.-S. Wang, “Online classi-
fier construction algorithm for human activity detection using a triaxle accelerome-
ter,” Applied Mathematics and Computation, vol. 205, no. 2, pp. 849–860, 2008.
19. J. Parkka, M. Ermes, P. Korpipaa, J. Mantyjarvi, J. Peltola, and I. Korhonen, “Activ-
ity classification using realistic data from wearable sensors”, in IEEE Transactions on
Information Technology in Biomedicine, vol. 10, no. 1, pp. 119–128, 2006.
20. L. Bao and S.S. Intille, “Activity recognition from user-annotated acceleration data”,
in Pervasive Computing, pp. 1–17, 2004.
21. J. Cheng, O. Amft, and P. Lukowicz, “Active capacitive sensing: Exploring a new
wearable sensing modality for activity recognition”, in Pervasive Computing,
Springer Berlin / Heidelberg, 2010, vol. 6030 of Lecture Notes in Computer Sci-
ence, pp. 319–336,
22. E.M. Tapia et al., “Real-time recognition of physical activities and their intensities
using wireless accelerometers and a heart monitor”, in International Symposium on
Wearable Computers, 2007.
23. H. Zhang, “The Optimality of Naive Bayes”, in FLAIRS Conference, AAAI Press, 2004.
24. C. Cortes and V. Vapnik, “Support-vector networks”, Machine Learning, vol. 20,
pp. 273–297, 1995.
25. Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning, MIT Press,
2016. Available: http://www.deeplearningbook.org.
26. Antonio Artés Rodríguez, Human Activity Recognition using Inertial Sensors with
Invariance to Sensor Orientation. Available: https://www.researchgate.net/
publication/229597612_Human_Activity_Recognition_using_Inertial_Sensors_with
_Invariance_to_Sensor_Orientation.
27. F. Luo, S. Poslad, and E. Bodanese, Temporal convolutional networks for multi-
person activity recognition using a 2D LIDAR. Available: https://ieeexplore.
ieee.org/document/9051989.
Надійшла 03.07.2020
Розпізнавання людської діяльності за допомогою портативних натільних датчиків
Системні дослідження та інформаційні технології, 2020, № 2 53
INFORMATION ON THE ARTICLE
R.V. Kyslyi, ORCID: 0000-0002-8290-9917, Educational and Scientific Complex “Insti-
tute for Applied System Analysis” of the National Technical University of Ukraine “Igor
Sikorsky Kyiv Polytechnic Institute”, Ukraine, e-mail: kvrware@gmail.com.
A.I. Petrenko, ORCID: 0000-0001-6712-7792, Educational and Scientific Complex “In-
stitute for Applied System Analysis” of the National Technical University of Ukraine
“Igor Sikorsky Kyiv Polytechnic Institute”, Ukraine, e-mail: tolja.petrenko@gmail.com.
HUMAN ACTIVITY RECOGNITION USING WEARABLE SENSORS / R.V. Kyslyi,
A.I. Petrenko
Abstract. The article describes systems of human activity recognition (HAR) that
uses wearable sensors by the systematization of types of sensors for human activity
recognition and methods of data collection. The model for implementation process
of HAR is described and each component of the recognition process is thoroughly
analyzed. Methods for identifying human activities using different sensors are pro-
posed and their strengths and weaknesses are identified. The process of finding tem-
porary matches between frames is presented in the diagram with a detailed explana-
tion of each transition. Based on the analysis, a combination of both algorithms and
methods is proposed, which will increase the HAR system's efficiency as a whole.
Keywords: human activity recognition, wear sensors, classification, tracking, dis-
play, identification, computer vision.
РАСПОЗНАВАНИЕ ЧЕЛОВЕЧЕСКОЙ ДЕЯТЕЛЬНОСТИ С ПОМОЩЬЮ ПОРТА-
ТИВНЫХ НАТЕЛЬНЫХ ДАТЧИКОВ / Р.В. Кислый, А.И. Петренко
Аннотация. Исследованы системы распознавания человеческой деятельности
(HAR) с помощью систематизации типов нательных датчиков для HAR и рас-
смотрены методы сбора данных с этих датчиков. Описана модель процесса
реализации HAR и тщательно проанализирован каждый компонент процесса
распознавания. Предложены методы идентификации человеческой деятельно-
сти для различных видов деятельности и определены их сильные и слабые
стороны. Осуществлен сравнительный анализ этих методов. Процесс поиска
временных совпадений представлен в виде диаграммы с подробным объясне-
нием каждого перехода. На основе проведенного анализа предложено сочета-
ние как алгоритмов, так и методов, которые будут способствовать повышению
эффективности системы распознавания человеческой деятельности в целом.
Ключевые слова: распознавание человеческой деятельности, классификация,
отслеживание, идентификация.
REFERENCES
1. WHO. Demographic trends, statistics and data on ageing. Available:
http://www.euro.who.int/en/health-topics/Life-stages/healthy-ageing/data-and-statistics/
demographic-trends,-statistics-and-data-on-ageing.
2. S.Tal, S.J. Redmond, M.R. Narayan, and N.H. Lovell, Sensors-Based Wearable Systems
for Monitoring of Human Movement and Falls. Available: https://ieeexplore.ieee.org/
document/5754557.
3. A. Godfrey, R. Conway, D. Meagher, and G. ÓLaighin, “Direct mea- surement ofhu-
manmovement by accelerometry”, Med. Eng. Phys., vol. 30, pp. 1364–1386, 2008.
4. J. Iglesias, J. Cano, A. M. Bernardos, and J.R. Casar, “A ubiquitous activity-monitor to
prevent sedentariness”, in IEEE Conference on Pervasive Computing and Communica-
tions, 2011.
5. Nielsen E. Sanchez, L. Antуn Canalos, and M. Tejera, “Hand Getsure recognition for
Human Machine Intercation”, in Proc. 12th International Conference on Computer
Graphics, Visualization and Computer Vision : WSCG, 2014, pp. 137–148.
6. Y. Katsuki, Y. Yamakawa, and M. Ishikawa, “High-speed Human/Robot Hand Interac-
tion System”, in Proceedings of the Tenth Annual ACM/IEEE International Conference
on Human-Robot Interaction Extended Abstracts, ACM, 2015, pp. 117–118.
Р.В. Кислий, А.І. Петренко
ISSN 1681–6048 System Research & Information Technologies, 2020, № 2 54
7. Ke. Shian-Ru, Hoang Le Uyen Thuc, Yong-Jin Lee, Jenq-Neng Hwang, Jang-Hee Yoo,
and Kyoung-Ho Choi, “A Review on Video-Based Human Activity Recognition”, in
Computers, no. 2(2), pp. 88–131, 2013. Available: https://www.mdpi.com/2073-
431x/2/2/88
8. O.O. Svachka and V.M. Barbaruk, “Research of computer technologies and methods of
human gesture recognition for computer control”, Scientific news of Daliv University,
2018, no. 15. Available: http://nbuv.gov.ua/UJRN/Nvdu_2018_15_17
9. V. Savinova and V. Kolesnikov, “Application of computer vision techniques in the auto-
motive industry”, in Proceedings of the V International Scientific and Technical Internet
Conference “Problems and Prospects for the Development of Road Transport”, 13–14 of
April 2017, Vinnytsia, pp. 113–120. Available: http://dspace.luguniv.edu.ua /xmlui/han-
dle/123456789/2028.
10. D.L. Oscar and A. L. Miguel, A Survey on Human Activity Recognition using Wearable
Sensors. Available: https://ieeexplore.ieee.org/document/6365160.
11. I. Khokhlov, L. Reznik, J. Cappos, and R. Bhaskar, Design of Activity Recognition Sys-
tems with Wearable Sensors. Available: https://ieeexplore.ieee.org/abstract/
document/8336752.
12. D. Choujaa and N. Dulay, “Tracme: Temporal activity recognition using mobile phone
data”, in IEEE/IFIP International Conference on Embedded and Ubiquitous Computing,
vol. 1, pp. 119–126, 2008.
13. T. Brezmes, J.-L. Gorricho, and J. Cotrina, “Activity recognition from accelerometer data
on a mobile phone”, in Distributed Computing, Artificial Intelligence, Bioinformatics,
Soft Computing, and Ambient Assisted Living, Springer Berlin / Heidelberg, 2009,
vol. 5518, pp. 796–799.
14. T.-P. Kao, C.-W. Lin, and J.-S. Wang, “Development of a portable activity detector for
daily activity recognition”, in IEEE International Symposium on Industrial Electronics,
pp. 115–120, 2009.
15. F. Foerster, M. Smeja, and J. Fahrenberg, “Detection of posture and motion by acceler-
ometry: a validation study in ambulatory monitoring”, Computers in Human Behavior,
vol. 15, no. 5, pp. 571–583, 1999.
16. M. Berchtold, M. Budde, H. Schmidtke, and M. Beigl, “An extensible modular recogni-
tion concept that makes activity recognition practical”, in Advances in Artificial Intelli-
gence, Lecture Notes in Computer Science, Springer Berlin / Heidelberg, 2010, pp. 400–409.
17. S. Reddy, M. Mun, J. Burke, D. Estrin, M. Hansen, and M. Srivastava, “Using mobile
phones to determine transportation modes”, ACM Transactions on Sensor Networks,
vol. 6, no. 2, pp. 1–27, 2010.
18. Y.-P. Chen, J.-Y. Yang, S.-N. Liou, Gwo-Yun Lee, and J.-S. Wang, “Online classifier
construction algorithm for human activity detection using a triaxial accelerometer,” Ap-
plied Mathematics and Computation, vol. 205, no. 2, pp. 849–860, 2008.
19. J. Parkka, M. Ermes, P. Korpipaa, J. Mantyjarvi, J. Peltola, and I. Korhonen, “Activity
classification using realistic data from wearable sensors”, in IEEE Transactions on In-
formation Technology in Biomedicine, vol. 10, no. 1, pp. 119–128, 2006.
20. L. Bao and S.S. Intille, “Activity recognition from user-annotated acceleration data”, in
Pervasive Computing, pp. 1–17, 2004.
21. J. Cheng, O. Amft, and P. Lukowicz, “Active capacitive sensing: Exploring a new wear-
able sensing modality for activity recognition”, in Pervasive Computing, Springer Berlin
/ Heidelberg, 2010, vol. 6030 of Lecture Notes in Computer Science, pp. 319–336.
22. E.M. Tapia et al., “Real-time recognition of physical activities and their intensities using
wireless accelerometers and a heart monitor”, in International Symposium on Wearable
Computers, 2007.
23. H. Zhang, “The Optimality of Naive Bayes”, in FLAIRS Conference, AAAI Press, 2004.
24. C. Cortes and V. Vapnik, “Support-vector networks”, Machine Learning, vol. 20,
pp. 273–297, 1995.
25. Ian Goodfellow, Yoshua Bengio, and Aaron Courville, Deep Learning, MIT Press, 2016.
Available: http://www.deeplearningbook.org.
26. Antonio Artés Rodríguez, Human Activity Recognition using Inertial Sensors with In-
variance to Sensor Orientation. Available: https://www.researchgate.net/publication/
229597612_Human_Activity_Recognition_using_Inertial_Sensors_with_Invariance_to
Sensor_Orientation.
27. F. Luo, S. Poslad, and E. Bodanese, Temporal convolutional networks for multi-person
activity recognition using a 2D LIDAR. Available: https://ieeexplore.ieee.org/document/
9051989.
|
| id | journaliasakpiua-article-216143 |
| institution | System research and information technologies |
| keywords_txt_mv | keywords |
| language | Ukrainian |
| last_indexed | 2025-07-17T10:26:50Z |
| publishDate | 2020 |
| publisher | The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" |
| record_format | ojs |
| resource_txt_mv | journaliasakpiua/fd/4f6c3f84322ea5b3fa2a578aa43235fd.pdf |
| spelling | journaliasakpiua-article-2161432021-01-19T13:44:38Z Human activity recognition using wearable sensors Распознавание человеческой деятельности с помощью портативных нательных датчиков Розпізнавання людської діяльності за допомогою портативних натільних датчиків Kyslyi, Roman V. Petrenko, Anatolii I. human activity recognition wear sensors classification tracking display identification computer vision розпізнавання людської діяльності класифікація відстеження ідентифікація распознавание человеческой деятельности классификация отслеживание идентификация The article describes systems of human activity recognition (HAR) that uses wearable sensors by the systematization of types of sensors for human activity recognition and methods of data collection. The model for implementation process of HAR is described and each component of the recognition process is thoroughly analyzed. Methods for identifying human activities using different sensors are proposed and their strengths and weaknesses are identified. The process of finding temporary matches between frames is presented in the diagram with a detailed explanation of each transition. Based on the analysis, a combination of both algorithms and methods is proposed, which will increase the HAR system's efficiency as a whole. Исследованы системы распознавания человеческой деятельности (HAR) с помощью систематизации типов нательных датчиков для HAR и рассмотрены методы сбора данных с этих датчиков. Описана модель процесса реализации HAR и тщательно проанализирован каждый компонент процесса распознавания. Предложены методы идентификации человеческой деятельности для различных видов деятельности и определены их сильные и слабые стороны. Осуществлен сравнительный анализ этих методов. Процесс поиска временных совпадений представлен в виде диаграммы с подробным объяснением каждого перехода. На основе проведенного анализа предложено сочетание как алгоритмов, так и методов, которые будут способствовать повышению эффективности системы распознавания человеческой деятельности в целом. Досліджено системи розпізнавання людської діяльності (HAR) за допомогою систематизації типів натільних датчиків для HAR та розглянуто методи збору даних з цих датчиків. Описано модель процесу реалізації HAR та ретельно проаналізовано кожний компонент процесу розпізнавання. Запропоновано методи ідентифікації людської діяльності для різних видів діяльності і визначено їх сильні і слабкі сторони. Виконано порівняльний аналіз цих методів. Процес пошуку тимчасових збігів подано у вигляді діаграми з детальним поясненням кожного переходу. На основі виконаного аналізу запропоновано поєднання як алгоритмів, так і методів, що сприятимуть підвищенню ефективності системи розпізнавання людської діяльності в цілому. The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2020-09-25 Article Article application/pdf https://journal.iasa.kpi.ua/article/view/216143 10.20535/SRIT.2308-8893.2020.2.03 System research and information technologies; No. 2 (2020); 41-54 Системные исследования и информационные технологии; № 2 (2020); 41-54 Системні дослідження та інформаційні технології; № 2 (2020); 41-54 2308-8893 1681-6048 uk https://journal.iasa.kpi.ua/article/view/216143/219287 Copyright (c) 2021 System research and information technologies |
| spellingShingle | розпізнавання людської діяльності класифікація відстеження ідентифікація Kyslyi, Roman V. Petrenko, Anatolii I. Розпізнавання людської діяльності за допомогою портативних натільних датчиків |
| title | Розпізнавання людської діяльності за допомогою портативних натільних датчиків |
| title_alt | Human activity recognition using wearable sensors Распознавание человеческой деятельности с помощью портативных нательных датчиков |
| title_full | Розпізнавання людської діяльності за допомогою портативних натільних датчиків |
| title_fullStr | Розпізнавання людської діяльності за допомогою портативних натільних датчиків |
| title_full_unstemmed | Розпізнавання людської діяльності за допомогою портативних натільних датчиків |
| title_short | Розпізнавання людської діяльності за допомогою портативних натільних датчиків |
| title_sort | розпізнавання людської діяльності за допомогою портативних натільних датчиків |
| topic | розпізнавання людської діяльності класифікація відстеження ідентифікація |
| topic_facet | human activity recognition wear sensors classification tracking display identification computer vision розпізнавання людської діяльності класифікація відстеження ідентифікація распознавание человеческой деятельности классификация отслеживание идентификация |
| url | https://journal.iasa.kpi.ua/article/view/216143 |
| work_keys_str_mv | AT kyslyiromanv humanactivityrecognitionusingwearablesensors AT petrenkoanatoliii humanactivityrecognitionusingwearablesensors AT kyslyiromanv raspoznavaniečelovečeskojdeâtelʹnostispomoŝʹûportativnyhnatelʹnyhdatčikov AT petrenkoanatoliii raspoznavaniečelovečeskojdeâtelʹnostispomoŝʹûportativnyhnatelʹnyhdatčikov AT kyslyiromanv rozpíznavannâlûdsʹkoídíâlʹnostízadopomogoûportativnihnatílʹnihdatčikív AT petrenkoanatoliii rozpíznavannâlûdsʹkoídíâlʹnostízadopomogoûportativnihnatílʹnihdatčikív |