Evaluación de un sistema de reconocimiento de la actividad humana a base de Smartphone en una de Vida Diaria

Detección Ubicua ha convertido en un área de investigación de acoplamiento debido a la cada vez más poderosa, pequeño, la computación de bajo costo y equipos de detección ^1. Monitoreo Movilidad utilizando sensores vestibles ha generado un gran interés desde la microelectrónica a nivel de los consumidores son capaces de detectar características de movimiento con alta precisión ^1. Reconocimiento de la actividad humana (HAR), utilizando sensores vestibles es un área reciente de investigación, con los estudios preliminares realizados en los años 1980 y 1990 ^2-4.

Smartphones modernos contienen los sensores necesarios y la capacidad de cálculo en tiempo real para el reconocimiento de la actividad de la movilidad. Análisis en tiempo real en el dispositivo permite la clasificación de la actividad y de la carga de datos sin intervención del usuario o investigador. Un smartphone con software de análisis de la movilidad podría proporcionar seguimiento gimnasio, vigilancia de la salud, la caída de detección, el hogar o la automatización del trabajo, y exercis autogestiónprogramas e ^5. Smartphones pueden considerarse plataformas de medición inercial para detectar actividades móviles y patrones móviles en los seres humanos, el uso de características de señal matemáticos generados calculados con salidas de los sensores a bordo ^6. Métodos de generación de características comunes incluyen heurística, el dominio del tiempo, dominio de la frecuencia, y los enfoques basados ​​en análisis ^wavelet-7.

Sistemas HAR smartphones modernos han demostrado una precisión alta de predicción al detectar actividades especificadas ^1,5,6,7. Estos estudios varían en la metodología de evaluación, así como la precisión ya que la mayoría de estudios tienen su propio conjunto de entrenamiento, la configuración del medio ambiente, y el protocolo de recogida de datos. La sensibilidad, la especificidad, la exactitud, el recuerdo, la precisión, y F es la puntuación se utilizan comúnmente para describir la calidad de predicción. Sin embargo, poco o nada de información está disponible en los métodos de reconocimiento "actividad concurrente" y la evaluación de la capacidad de detectar cambios en la actividad en tiempo real^1, para los sistemas de HAR que intentan categorizar varias actividades. Métodos de evaluación de HAR precisión del sistema varían considerablemente entre los estudios. Independientemente del algoritmo de clasificación o características aplicadas, las descripciones de los métodos de evaluación estándar de oro son vagos para más investigación HAR.

El reconocimiento de actividades en un ambiente de la vida diaria no ha sido ampliamente investigado. La mayoría de los sistemas de reconocimiento de la actividad basada en teléfonos inteligentes se evalúan de una manera controlada, dando lugar a un protocolo de evaluación que puede ser ventajoso para el algoritmo en lugar de realista para un entorno del mundo real. Dentro de su esquema de evaluación, los participantes suelen realizar sólo las acciones destinadas a la predicción, en lugar de aplicar una amplia gama de actividades realistas para el participante para realizar consecutivamente, imitando los acontecimientos de la vida real.

Algunos HAR teléfono inteligente estudia ^8,9 grupales actividades similares juntos, como escaleras y caminar, Pero excluir otras actividades del conjunto de datos. Precisión de la predicción se determina entonces por lo bien el algoritmo identifica las actividades de destino. Dernbach et al. ⁹ tenían los participantes escriben la actividad que estaban a punto de ejecutar antes de pasar, interrumpiendo transiciones continuas cambio-de-estado. Evaluaciones del sistema HAR deberían evaluar el algoritmo, mientras que el participante realiza acciones naturales en un entorno vida diaria. Esto permitiría una evaluación de la vida real que se replica el uso diario de la aplicación. Un circuito realista incluye muchos cambios del estado, así como una mezcla de acciones no predecibles por el sistema. Un investigador puede entonces evaluar la respuesta del algoritmo para estos movimientos adicionales, evaluando así la robustez del algoritmo para movimientos anómalos.

Este artículo presenta una Wearable Sistema de Control de la Movilidad (WMMS) protocolo de evaluación que utiliza un supuesto control que refleja los ambientes de la vida diaria de la vida real. WMMSevaluación puede entonces hacerse bajo condiciones controladas, pero realistas. En este protocolo, se utiliza un WMMS de tercera generación que se desarrolló en la Universidad de Ottawa y Ottawa Hospital Research Institute ^11-15. El WMMS fue diseñado para los teléfonos inteligentes con un acelerómetro de tres ejes y giroscopio. El algoritmo de la movilidad representa la variabilidad de usuario, proporciona una reducción en el número de falsos positivos para la identificación de los cambios del estado, y aumenta la sensibilidad de la actividad de categorización. Reducir al mínimo los falsos positivos es importante ya que el WMMS desencadena la grabación de videoclips cortos cuando se detectan cambios en la actividad del Estado, para la evaluación de la actividad sensible al contexto que mejora aún más la clasificación WMMS. Grabación de vídeo innecesario crea ineficiencias en el almacenamiento y uso de la batería. El algoritmo WMMS está estructurado como un modelo de bajo computacional aprendizaje y evaluó utilizando diferentes niveles de predicción, donde un aumento en el nivel de predicción representa un aumento en la cantidadacciones de reconocibles.