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

تشخیص فعالیت انسان با استفاده از داده های حسگرهای پوشیدنی بدن به دلیل کاربردهای بالقوه اش در زمینه های مختلف مانند مراقبت های بهداشتی، نظارت بر عملکرد ورزشی و تعامل انسان و رایانه در سال های اخیر توجه قابل توجهی را به خود جلب کرده است. توانایی طبقه بندی و تشخیص دقیق فعالیت های انسانی از داده های حسگر می تواند بینش های 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 تکنیک های تحلیل داده مبتنی بر فرکانس به همراه شبکه های مولد متخاصم، دوطرفه تشخیص فعالیت انسان با استفاده از داده های حسگر پوشیدنی بدن را بررسی خواهیم کرد. روش ما از یک GAN دوطرفه برای افزایش داده ها و تولید داده های مصنوعی استفاده می کند، سپس از مدل های مخفی مارکوف (HMM) برای پس پردازش به منظور بهبود پیش بینی های CNN با در نظر گرفتن زمینه زمانی فعالیت ها، هموار کردن پیش بینی های نویزی یا نادرست برای داده های فعالیت پیوسته استفاده می شود که سبب بهبود دقت نهایی و کاهش خطاهای احتمالی در پیش بینی ها می شود. روش پیشنهادی روی مجموعه داده های MobiAct و Up Fall با نرخ های مختلف افزایش داده بررسی و انجام شد و به ترتیب به نرخ دقت ۹۹٫۷ و ۹۹٫۹۶٪ رسید.

کلیدواژه ها:

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