Một phương pháp xây dựng hệ thống nhận dạng hành vi của người trong thời gian thực dựa trên các thuật toán học máy
A Method of Building a Real-time Human Behavior Recognition System based on Machine Learning Algorithms
Abstract
Một trong những vấn đề quan trọng trong hệ thống nhận dạng hành vi của người (Human Áctivity Recognition – HAR) đó là giá thành, tốc độ và độ chính xác. Cùng với sự phát triển của các thiết bị di động, các bộ vi xử lý ngày càng hiện đại đi cùng với việc tích hợp nhiều cảm biến khác nhau bao gồm cả gia tốc kế đã giúp việc nhận dạng hành vi người trở nên dễ dàng và nhanh chóng hơn. Tuy nhiên, độ chính xác của việc phân loại hành vi dựa trên cảm biến gia tốc còn phụ thuộc rất nhiều yếu tố khác nhau dẫn đến kết quả có thể có sự sai lệch. Bằng nhiều thử nghiệm khác nhau, chúng tôi nhận thấy rằng việc lựa chọn các thuộc tính tối ưu có quan hệ quyết định tới hiệu suất của việc phân loại. Trong bài báo này, chúng tôi đề xuất một bộ thuộc tính đơn giản nhưng cho kết quả rất khả quan với độ chính xác tới 99%. Chúng tôi đã thực nghiệm và so sánh với một vài thuật toán phân loại khác nhau trên tập dữ liệu thu thập từ một số tình nguyện viên.
References
N. F. Ghazali, N. Shahar, N. A. Rahmad, N. A. J. Sufri, M. A. As’ari, and H. F. M. Latif, “Common sport activity recognition using inertial sensor,” in 2018 IEEE 14th International Colloquium on Signal Processing & Its Applications (CSPA), Batu Feringghi, Mar. 2018, pp. 67–71. doi: 10.1109/CSPA.2018.8368687.
F. Hussain, F. Hussain, M. Ehatisham-ul-Haq, and M. A. Azam, “Activity-Aware Fall Detection and Recognition Based on Wearable Sensors,” IEEE Sensors Journal, vol. 19, no. 12, pp. 4528–4536, Jun. 2019, doi: 10.1109/JSEN.2019.2898891.
A. Vysocky and P. Novak, “HUMAN – ROBOT COLLABORATION IN INDUSTRY,” MM Sci. J., vol. 2016, no. 02, pp. 903–906, Jun. 2016, doi: 10.17973/MMSJ.2016_06_201611.
Haibo Ye et al.,“FTrack: Infrastructure-free floor localization via mobile phone sensing,” in 2012 IEEE International Conference on Pervasive Computing and Communications, Lugano, Switzerland, Mar. 2012, pp. 2–10. doi: 10.1109/PerCom.2012.6199843.
W. T. D. souza and K. R, “Human Activity Recognition Using Accelerometer and Gyroscope Sensors,” Int. J. Eng. Technol., vol. 9, no. 2, pp. 1171–1179, Apr. 2017, doi: 10.21817/ijet/2017/v9i2/170902134.
B. H. Dobkin, X. Xu, M. Batalin, S. Thomas, and W. Kaiser, “Reliability and Validity of Bilateral Ankle Accelerometer Algorithms for Activity Recognition and Walking Speed After Stroke,” Stroke, vol. 42, no. 8, pp. 2246–2250, Aug. 2011, doi: 10.1161/STROKEAHA.110.611095.
W.-Y. Lin, V. Verma, M.-Y. Lee, and C.-S. Lai, “Activity Monitoring with a Wrist-Worn, Accelerometer-Based Device,” Micromachines, vol. 9, no. 9, p. 450, Sep. 2018, doi: 10.3390/mi9090450.
L. Billiet, T. Swinnen, K. de Vlam, R. Westhovens, and S. Van Huffel, “Recognition of Physical Activities from a Single Arm-Worn Accelerometer: A Multiway Approach,” Informatics, vol. 5, no. 2, p. 20, Apr. 2018, doi: 10.3390/informatics5020020.
Y. Zhu, J. Yu, F. Hu, Z. Li, and Z. Ling, “Human activity recognition via smart-belt in wireless body area networks,” Int. J. Distrib. Sens. Netw., vol. 15, no. 5, p. 155014771984935, May 2019, doi: 10.1177/1550147719849357.
M. Shoaib, S. Bosch, O. Incel, H. Scholten, and P. Havinga, “Fusion of Smartphone Motion Sensors for Physical Activity Recognition,” Sensors, vol. 14, no. 6, pp. 10146–10176, Jun. 2014, doi: 10.3390/s140610146.
L. Gao, A. K. Bourke, and J. Nelson, “Evaluation of accelerometer based multi-sensor versus single-sensor activity recognition systems,” Med. Eng. Phys., vol. 36, no. 6, pp. 779–785, Jun. 2014, doi: 10.1016/j.medengphy.2014.02.012.
L. Fan, Z. Wang, and H. Wang, “Human Activity Recognition Model Based on Decision Tree,” in 2013 International Conference on Advanced Cloud and Big Data, Nanjing, China, Dec. 2013, pp. 64–68. doi: 10.1109/CBD.2013.19.
A. Khan, N. Hammerla, S. Mellor, and T. Plotz, “Optimising sampling rates for accelerometer-based human activity recognition,” Pattern Recognit. Lett., vol. 73, pp. 33–40, Apr. 2016, doi: 10.1016/j.patrec.2016.01.001.
X. Fafoutis, L. Marchegiani, A. Elsts, J. Pope, R. Piechocki, and I. Craddock, “Extending the battery lifetime of wearable sensors with embedded machine learning,” in 2018 IEEE 4th World Forum on Internet of Things (WF-IoT), Singapore, Feb. 2018, pp. 269–274. doi: 10.1109/WFIoT.2018.8355116.
S. Bashir, D. Doolan, and A. Petrovski, “The Effect of Window Length on Accuracy of Smartphone-Based Activity Recognition,” IAENG Int. J. Comput. Sci., vol. 43, pp. 126–136, Feb. 2016.
B. Quigley, M. Donnelly, G. Moore, and L. Galway, “A Comparative Analysis of Windowing Approaches in Dense Sensing Environments,” Proceedings, vol. 2, no. 19, p. 1245, Oct. 2018, doi: 10.3390/proceedings2191245.
O. Banos, J.-M. Galvez, M. Damas, H. Pomares, and I.Rojas, “Window Size Impact in Human Activity Recognition,” Sensors, vol. 14, no. 4, pp. 6474–6499, Apr. 2014, doi: 10.3390/s140406474.
G. Alor-Hernández and R. Valencia-García, Current Trends on Knowledge-Based Systems. Springer International Publishing, 2017. [Online]. Available: https://books.google.com.vn/books?id=JzFXDgAAQBAJ
M. B. Abidine and B. Fergani, “Evaluating a new classification method using PCA to human activity recognition,” in 2013 International Conference on Computer Medical Applications (ICCMA), Sousse, Jan. 2013, pp. 1–4. doi: 10.1109/ICCMA.2013.6506158.
T.-P. Kao, C.-W. Lin, and J.-S. Wang, “Development of a portable activity detector for daily activity recognition,” in 2009 IEEE International Symposium on Industrial Electronics, Seoul, South Korea, Jul. 2009, pp. 115–120. doi: 10.1109/ISIE.2009.5222001.
S. J. Preece, J. Y. Goulermas, L. P. J. Kenney, and D. Howard, “A Comparison of Feature Extraction Methods for the Classification of Dynamic Activities From Accelerometer Data,” IEEE Trans. Biomed. Eng., vol. 56, no. 3, pp. 871–879, Mar. 2009, doi: 10.1109/TBME.2008.2006190.
M. B. Dehkordi, A. Zaraki, and R. Setchi, “Feature extraction and feature selection in smartphone-based activity recognition,” Procedia Comput. Sci., vol. 176, pp. 2655–2664, 2020, doi: 10.1016/j.procs.2020.09.301.
M. Zhang and A. A. Sawchuk, “A bag-of-features-based framework for human activity representation and recognition,” in Proceedings of the 2011 international workshop on Situation activity & goal awareness - SAGAware ’11, Beijing, China, 2011, p. 51. doi: 10.1145/2030045.2030058.
J. R. Kwapisz, G. M. Weiss, and S. A. Moore, “Activity recognition using cell phone accelerometers,” ACM SIGKDD Explor. Newsl., vol. 12, no. 2, pp. 74–82, Mar. 2011, doi: 10.1145/1964897.1964918.
C. Catal, S. Tufekci, E. Pirmit, and G. Kocabag, “On the use of ensemble of classifiers for accelerometer-based activity recognition,” Appl. Soft Comput., vol. 37, pp. 1018–1022, Dec. 2015, doi: 10.1016/j.asoc.2015.01.025.
G. Vavoulas, C. Chatzaki, T. Malliotakis, M. Pediaditis, and M. Tsiknakis, “The MobiAct Dataset: Recognition of Activities of Daily Living using Smartphones:,” in Proceedings of the International Conference on Information and Communication Technologies for Ageing Well and e-Health, Rome, Italy, 2016, pp. 143–151. doi: 10.5220/0005792401430151.
Q.-T. Hoang, P. C. Phi Khanh, B. T. Ninh, C. T. Phuong Dung, and T. D. Tran, “Cow Behavior Monitoring Using a Multidimensional Acceleration Sensor and Multiclass SVM,” Int. J. Mach. Learn. Networked Collab. Eng., vol. 2, no. 3, pp. 110–118, Sep. 2018, doi: 10.30991/IJMLNCE.2018v02i03.003.
T. D. Tran, D. V. Dao, T. T. Bui, L. T. Nguyen, T. P. Nguyen, and Sugiyama Susumu, “Optimum design considerations for a 3-DOF micro accelerometer using nanoscale piezoresistors,” in 2008 3rd IEEE International Conference on Nano/Micro Engineered and Molecular Systems, Sanya, China, 2008, pp. 770–773. doi: 10.1109/NEMS.2008.4484440.
T.-H. Dao, H.-Y. Hoang, V.-N. Hoang, D.-T. Tran, and D.- N. Tran, “Human Activity Recognition System For Moderate Performance Microcontroller Using Accelerometer Data And Random Forest Algorithm,” EAI Endorsed Trans. Ind. Netw. Intell. Syst., vol. 9, no. 4, p. e4, Nov. 2022, doi: 10.4108/eetinis.v9i4.2571.
