کنفرانس بین المللی محاسبات نرم

صفحه اصلی / ششمین کنفرانس بین المللی محاسبات نرم

تشخیص فعالیت‌ انسان بر اساس داده های حسگرهای پوشیدنی با بهره گیری از الگوریتم های یادگیری عمیق و تکنیک های پس پردازش

نویسندگان :

سیده زهره کیا¹ میثم یداله زاده طبری² همایون موتمنی³

1- دانشگاه آزاد اسلامی واحد بابل 2- دانشگاه آزاد اسلامی واحد بابل 3- دانشگاه آزاد اسلامی واحد ساری

کلمات کلیدی :

تشخیص فعالیت انسان،تحلیل فرکانسی،الگوریتم های یادگیری ماشین،مدل پنهان مارکوف

چکیده :

تشخیص فعالیت انسان با استفاده از داده‌های حسگرهای پوشیدنی بدن، به دلیل کاربردهای بالقوه‌اش در زمینه‌های مختلف مانند مراقبت‌های بهداشتی، نظارت بر عملکرد ورزشی و تعامل انسان و رایانه، در سال‌های اخیر توجه قابل توجهی را به خود جلب کرده است. توانایی طبقه‌بندی و تشخیص دقیق فعالیت‌های انسانی از داده‌های حسگر می‌تواند بینش‌های ارزشمندی در مورد الگوهای رفتاری افراد ارائه دهد. سیستم های تشخیص و پیش بینی سقوط از منابع مختلفی مانند دوربین ها و سنسورها برای جمع آوری سیگنال های مفید استفاده می کنند و از الگوریتم های مختلفی برای پردازش و تجزیه و تحلیل داده-های جمع آوری شده، استفاده می کنند. این سیستم ها باید با دقت طراحی شوند و بین سقوط و رفتارهای عادی افراد، تفاوت قائل شوند تا تعداد هشدارهای کاذب به حداقل برسد. در این مقاله، ما با استفاده از تکنیک‌های تحلیل داده مبتنی بر فرکانس به همراه شبکه‌های مولد متخاصم دوطرفه، تشخیص فعالیت انسان با استفاده از داده‌های حسگر پوشیدنی بدن را بررسی خواهیم کرد. روش ما از یک GAN دوطرفه برای افزایش داده ها و تولید داده‌های مصنوعی استفاده می‌کند، سپس از مدل‌های مخفی مارکوف (HMM) برای پس‌پردازش به منظور بهبود پیش‌بینی‌های CNN با در نظر گرفتن زمینه زمانی فعالیت‌ها، هموارکردن پیش‌بینی‌های نویزی یا نادرست برای داده‌های فعالیت پیوسته استفاده می‌شود که سبب بهبود دقت نهایی و خطاهای احتمالی در پیش‌بینی‌ها می شود. روش پیشنهادی روی مجموعه ‌داده‌های MobiAct و Up-Fall با نرخ‌های مختلف افزایش داده بررسی و انجام شد و به ترتیب به نرخ دقت 99/7٪ و 99/96٪ رسید.