تشخیص فعالیت های انسانی و تغییر وضعیت بدن بر اساس گوشی های هوشمند

در سال های اخیر، تشخیص فعالیت های انسانی به عنوان یکی از حوزه های مهم در تقاطع علوم داده، یادگیری ماشین و سیستم های هوشمند مورد توجه گسترده ای قرار گرفته است. با گسترش استفاده از گوشی های هوشمند مجهز به حسگرهایی نظیر شتاب سنج و ژیروسکوپ، امکان جمع آوری پیوسته و کم هزینه ی داده های حرکتی کاربران فراهم شده است. این داده ها می توانند اطلاعات ارزشمندی درباره ی نوع فعالیت های روزمره و تغییر وضعیت بدن افراد ارائه دهند و در کاربردهایی همچون پایش سلامت، توان بخشی، تشخیص رفتارهای غیرعادی و سیستم های مراقبت هوشمند مورد استفاده قرار گیرند. در این پژوهش، یک رویکرد داده کاوانه مبتنی بر کشف الگوهای تکرارشونده برای تشخیص فعالیت های انسانی و تغییر وضعیت بدن ارائه شده است. به منظور استخراج دانش از داده های حسگری، از دو الگوریتم مطرح در حوزه ی کشف قوانین انجمنی، یعنی Apriori و FP-Growth استفاده شده است. این الگوریتم ها بر روی دو مجموعه داده ی معتبر مبتنی بر حسگرهای گوشی هوشمند پیاده سازی و ارزیابی شده اند. مراحل پیش پردازش داده ها شامل قطعه بندی زمانی، استخراج ویژگی، دودویی سازی و کاهش ابعاد بوده و سپس الگوهای پرتکرار و قوانین انجمنی معنادار استخراج شده اند. نتایج حاصل از مقایسه ی دو الگوریتم نشان می دهد که هر دو روش قادر به استخراج الگوهای معنادار از داده های حرکتی هستند، اما از نظر زمان اجرا و کارایی محاسباتی، الگوریتم FP-Growth در مجموعه داده های بزرگ عملکرد بهتری نسبت به Apriori از خود نشان می دهد. یافته های این تحقیق می تواند در طراحی سامانه های هوشمند پایش فعالیت های انسانی و تحلیل رفتار حرکتی کاربران مورد استفاده قرار گیرد.

کلیدواژه ها:

تشخیص فعالیت انسانی ، گوشی هوشمند ، داده کاوی ، الگوریتم Apriori ، الگوریتم FP-Growth ، قوانین انجمنی