Évaluation d'un système de reconnaissance de l'activité humaine basée à Smartphone dans un milieu de vie quotidien

Détection Ubiquitous est devenue un domaine de recherche engageante raison de plus en plus puissant, petit, faible coût de l'informatique et de l'équipement de détection ^1. Suivi de la mobilité en utilisant les capteurs portables a suscité beaucoup d'intérêt depuis la microélectronique au niveau des consommateurs sont capables de détecter des caractéristiques de mouvement avec une grande précision ^1. La reconnaissance de l'activité humaine (HAR) en utilisant les capteurs portables est une zone récente de la recherche, des études préliminaires effectuées dans les années 1980 et 1990 ^{2 – 4.}

Smartphones modernes contiennent les capteurs nécessaires et de la capacité de calcul en temps réel pour la reconnaissance de l'activité de mobilité. Analyse en temps réel sur le dispositif permet la classification de l'activité et le téléchargement de données sans intervention de l'utilisateur ou enquêteur. Un smartphone avec le logiciel d'analyse de la mobilité pourrait fournir un suivi de remise en forme, la surveillance de la santé, détection de chute, la maison ou l'automatisation de travail, et exercis autogestionnaireles programmes de ^E5. Smartphones peuvent être considérés comme des plates-formes de mesure inertielle pour détecter les activités mobiles et les modèles mobiles chez les humains, en utilisant les caractéristiques de signaux mathématiques générées calculées avec des sorties de capteurs embarqués ^6. Méthodes de production de longs courants comprennent heuristique, dans le domaine temporel, domaine de fréquence, et les approches fondées sur l'analyse en ^{ondelettes-7.}

Systèmes de smartphones HAR modernes ont montré une précision élevées de prédiction lors de la détection des activités spécifiées ^1,5,6,7. Ces études varient dans la méthodologie d'évaluation ainsi que la précision puisque la plupart des études ont leur propre ensemble de la formation, la configuration de l'environnement, et le protocole de collecte des données. Sensibilité, la spécificité, la précision, le rappel, la précision, et F-score sont couramment utilisés pour décrire la qualité de prédiction. Cependant, peu ou pas d'informations sont disponibles sur les méthodes pour "activité simultanée" la reconnaissance et l'évaluation de la capacité de détecter les changements d'activité en temps réel^1, pour les systèmes HAR qui tentent de catégoriser plusieurs activités. Les méthodes d'évaluation pour la précision du système HAR varient considérablement entre les études. Indépendamment de l'algorithme de classification ou caractéristiques appliquées, des descriptions de méthodes d'évaluation standard d'or sont vagues pour la plupart des recherches HAR.

La reconnaissance de l'activité dans un environnement de la vie quotidienne n'a pas été largement étudié. La plupart des systèmes de reconnaissance activité basée smartphone sont évalués d'une manière contrôlée, conduisant à un protocole d'évaluation qui peuvent être avantageux de l'algorithme plutôt que réaliste à un environnement du monde réel. Au sein de leur système d'évaluation, les participants effectuent souvent que les actions destinées à la prévision, plutôt que l'application d'un large éventail d'activités réalistes pour le participant à effectuer consécutivement, imitant les événements de la vie réelle.

Certains smartphones HAR étudie ^8,9 groupe des activités similaires ensemble, tels que les escaliers et la marche, Mais excluent les autres activités de l'ensemble de données. Précision de la prédiction est alors déterminé par la façon dont l'algorithme a identifié les activités cibles. Dernbach et al. ⁹ avaient participants écrivent l'activité qu'ils étaient sur ​​le point d'exécuter avant de passer, interrompre transitions continues de changement d'état. HAR système évaluations devraient évaluer l'algorithme alors que le participant effectue des actions naturelles dans un cadre de vie quotidien. Cela permettrait une évaluation de la vie réelle qui reproduit l'utilisation quotidienne de l'application. Un circuit réaliste comprend de nombreux changements d'état ainsi que d'un mélange des actions non prévisibles par le système. Un enquêteur peut alors évaluer la réponse de l'algorithme à ces mouvements supplémentaires, évaluant ainsi la robustesse de l'algorithme à des mouvements anormaux.

Cet article présente un système de surveillance de la mobilité Wearable (WMMS) protocole d'évaluation qui utilise un cours contrôlé qui tient compte des environnements de la vie quotidienne de la vie réelle. WMMSévaluation peut alors être faite dans des conditions contrôlées, mais réalistes. Dans ce protocole, nous utilisons une troisième génération WMMS qui a été développé à l'Université d'Ottawa et Ottawa Hospital Research Institute ^11-15. Le WMMS a été conçu pour les smartphones avec un accéléromètre tri-axe et du gyroscope. Représente l'algorithme de la mobilité pour l'utilisateur de la variabilité, permet une réduction dans le nombre de faux positifs pour l'identification des changements d'état, et augmente la sensibilité de l'activité catégorisation. Minimiser les faux positifs est important car la WMMS déclenche court enregistrement de vidéo clip lorsque l'activité des changements d'état sont détectées, pour l'évaluation de l'activité contextuel qui améliore encore la classification WMMS. Enregistrement vidéo inutile crée des inefficacités dans le stockage et l'utilisation de la batterie. L'algorithme WMMS est structuré comme un modèle d'apprentissage à faible calcul et évaluée en utilisant différents niveaux de prédiction, où une augmentation du niveau de prédiction, signifie une augmentation de la quantitéactions de reconnaissable.