جویدن، صحبت کردن،بلعیدن، اه کشیدن و تکان دادن سر
جدول۲- ۳-انواع فعالیت های تشخیص داده شده بوسیله سیستمهای HAR[35]
Vacek در پژوهش خود فعالیت را اینگونه معرفی می کند که چگونه، چه موقع، کجا و چرا یک فعالیت انجام شده است و جنبه های فعالت را شناسایی مینماید. وی فعالیتهای انسان را به دو روش طبقه بندی مینماید. در روش اول که
طبقه بندی بوسیله ساختار نامیده می شود، فعالیتها از ساختار بدن انسان مشتق میشوند. به عبارت دیگر هر فعالیت بر اساس قسمتی از بدن که در این فعالیت مورد استفاده است، طبقه بندی میشوند. دو گروه شی و مکان نقش خاصی در طبقه بندی دارد. آنها میتوانند معنی هر قسمتی را افزایش دهند [۳۶].
شکل۲- ۷-بهره گیری از فعالیت اعضای بدن در تشخیص فعالیت[۳۶]
انسانها تمایل به درک فعالیت به عنوان یک توالی جداگانه از کارهای ابتدایی دارند. در روش دوم بنام طبقه بندی عملکردی، فعالیت بوسیله کارکردی که دارد طبقه بندی می شود. این دستهبندی از مکانیزم های فعالیت انسان مشتق شده است که به دو نوع فعالیت می پردازد. در فعالیتهای اجرایی، فعالیتها برای رسیدن به یک هدف خاص انجام میگیرند. آنها حالت انسان یا محیط اطرافش را تغییر میدهند. مانند پیادهروی یا گرفتن یک شی و فعالیتهای تعاملی شامل فعالیتهایی است که صحبت کردن و دیالوگ بخش عمده آن میباشد.
مشکل این دو کلاس این است که آنها تنها یک بعد از مفاهیم را برای طبقه بندی فعالیتهای انسان در نظر میگیرند و برای جزییات بیشتر طبقه بندی ساختاری میبایست بر اینکه چگونه یک فعالیت می تواند تشخیص داده شود، تمرکز کرد.
HUYNH در پژوهش خود فعالیتها را به صورت زیر طبقه بندی نموده است.
برای دانلود متن کامل پایان نامه به سایت fotka.ir مراجعه نمایید.
فعالیت حالت
دراز کشیدن-نشستن-ایستادن ایستا
دراز کشیدن-ایستادن
ایستادن-درازکشیدن
درازکشیدن-نشستن
نشستن-درازکشیدن
ایستادن-راه رفتن انتقال
راه رفتن
راه رفتن –از پله بالا رفتن
راه رفتن-از پله پایین رفتن پویا
جدول۲- ۴-حالت ها و فعالیت های طبقه بندی شده[۳۷]
شکل۲- ۸-انواع آنالیز حرکات[۳۵]
۲-۴-۲-رویکردهای تشخیص فعالیت انسان
اولین قدم برای رسیدن به هدف تشخیص فعالیتهای رومره، یک سیستم تشخیص فعالیت مجهز به قابلیتهای حسی میباشد. سه روش برای تشخیص فعالیتهای روزمره بکارگرفته می شود [۳۷, ۳۸]:
video based, environment sensor based, wearable sensor based
۲-۴-۲-۱-رویکرد مبتنی بر ویدئو
در این سیستم برای ردیابی و تشخیص فعالیتهای فیزیکی دوربین ویدئویی بکار میرود. این روش اغلب در آزمایشگاه خوب کار می کند اما به دلیل آشفتگی و تنوع خیلی مختلف فعالیتهایی که در محیطهای واقعی اتفاق میافتد در دستیابی به دقت مشابه در شرایط واقعی به مشکل برخوردهاند. بعلاوه حسگرهایی مانند میکروفن و دوربین خیلی گران میباشند. درنتیجه از آنجا که این دستگاهها به عنوان دستگاههای ضبط کننده بکار میروند، ممکن است توسط بعضی افراد با مشکلات امنیتی حریم خصوصی مواجه شوند.
۲-۴-۲-۲-رویکرد مبتنی بر محیط حسگر
این سیستمها برای نظات بر تعامل میان کاربران و محیطهای خانهشان توسعه یافتهاند که این هدف بوسیله توزیع تعدادی از حسگرهای محیطی بخصوص حسگرهای باینری حالت on-off سراسر محیط زندگی فرد بدست آمده است. داده جمع آوری شده بوسیله این حسگرهای محیطی می تواند برای تطابق هوشمند محیط در خانه برای ساکنانش مورد استفاده باشند. سیستمهای مبتنی بر حسگرهای محیطی فعالانه فعالیتهای آنها را هر روزه نظارت می کند. در این سیستمها تعداد زیادی از پارمترها می تواند با بکارگیری حسگرهای گوناگون و محدودیتهایی (اندازه، وزن و توان) از دیگر انواع حسگرها نظارت شود. بنابراین طراحی کلی سیستم را ساده می کند. هر چند این سیستمها وابسته به زیرساخت هستند و نمیتوانند بر افراد بیرون خانه نظارت کنند. همچنین آنها مشکلات متمایز کردن فرد نظارت شده و دیگر افراد در خانه را نیز دارند.خانههای هوشمند یک نمونه از این گونه سیستمهای میباشند.
۲-۴-۲-۳-رویکرد مبتنی بر حسگرهای پوشیدنی
این سیستمهای طوری طراحی شده اند که برای اندازه گیری پیوسته داده بیومکانیکی و فیزیولوژیکی بدن در طول فعالیت روزمره با در نظر گرفتن مکان فرد قابل پوشیدن باشند. بنابراین یک جایگزین مناسب برای تشخیص فعالیتهای روزمره انسان بخصوص فعالیتهای فیزیکی بدن هستند. از این رو آنها به افراد متصل می شود تا بر فعالیتهای آنها نظارت کنند. حسگرهای پوشیدنی از زیرساخت مستقل هستند و می تواند پارامترهای فیزیولوژیکی که بوسیله حسگرهای ویدئویی یا محیطی ممکن قابل اندازه گیری نیستد را اندازه گیری کنند. بعلاوه این حسگرها ارزان قیمت بوده و برخلاف حسگرهای ویدئویی آنها مشکل حریم خصوصی افراد را ندارد.
طیفی از حسگرهای متصل به بدن شامل سوئیچهای الکترومکانیکی، شتابسنج، ژیروسکوب، گام شمارها برای گرفتن و آنالیز حرکات انسان درطول زندگی روزمره افراد بکار روند. پیشرفت تکنولوژی در سیستمهای میکروالکترومکانیکی[۶] باعث کوچک شدن و کم هزینه شدن شتابسنجها شده است و عموما به عنوان یک ابزار مفید برای ارزیابی حرکت انسان در محیطهای کلینیکی و محیطهای زندگی پذیرفته شده اند.
۲-۴-۳-رویکردهای مدل سازی فعالیت انسان
بیشترین رویکردهای مورد استفاده برای مدلسازی فعالیت انسان شامل HMM و انواع آن که شامل زیر مجموعههای
(coupled-HMM ,Entropid-HMM)، مدلهای گرافیکی و شبکه های پویا بیزی میباشد [۳۹].
۲-۴-۳-۱–رویکرد استخراج ویژگی
ابتدا سیگنال بدست آمده از حسگر به تعدادی بخشهای زمانی کوچک به نام پنجرهها تقسیم می شود. در هر پنجره یک یا چند ویژگی برای توصیف سیگنال، استخراج می شود. این ویژگیها سپس به عنوان ورودی الگوریتمهای دستهبندی استفاده میشوند که هر پنجره با یک فعالیت مرتبط می شود. این ویژگیها شامل ناحیه وسیع سیگنال، شتاب
peak-to-peak، مقدار اصلاحی میانگین، مربع میانگین ریشه میباشند. این نوع ویژگیها اغلب برای تمایزگذاشتن میان فعالیتهای پویا و ایستا مورد استفادهاند.
هدف اصلی استخراج کمترین مقادیر از داده خروجی برای ایجاد یک پیشگویی خوب این همچنین مفید است برای پشتیبانی تصمیم گیری در مورد حذف یک حسگر اگر خواندن یک حسگر ایجاد نمی کند ویژگیهایی که اطلاعات خوب ارائه می کند پس حذف می شود. بطور کلی آنالیز تمام داده ثبت شده برای تشخیص فعالیت غیرضروری است. بنابراین داده ساده خام درون پنجره کوچک قبل از استخراج ویژگی استخراج میکنیم. به منظور گرفتن اطلاعات بصورت مناسب از اطلاعات انسان و راحت باشد برای محاسبه مبتنی بر FFT از ویژگیهای دامنه-تکرار. طول پنجره مجموعه از خواهد بود. چهار اندازه متفاوت ۳۲، ۶۴، ۱۲۸و ۲۵۶ طول زمان مرتبط است با ۴ طول متفاوت پنجره بطور تقریبی ۱،۲،۴ و ۸٫۵ فرکانس فعالیت روزانه شان بصورت گسترده رنجی از ۱ تا ۱۸ هرتز دارد. بنابراین دوره زمانی۸٫۵ ثانیه میپوشاند. کاهش بعد ویژگی (که می تواند به عنوان عملیات انتخاب ویژگی دیده شود) مهمترین روال قبل از دستهبندی است. ابتدا بعضی از ویژگیهای بیارتباط یا زاید که نمی تواند اطلاعات پشتیبانی برای دستهبندی آموزشی را ارائه کند، حذف
میشوند. دستهبندی کننده در فضای ابعاد بالاتر می تواند سخت و زمان بر باشد. بنابراین بهترین راه کاهش ابعاد مجددویژگیها قبل از انجام عملیات طبقه بندی میباشد. معمولا قبل از اجرای الگوریتم دستهبندی مراحل زیر انجام
می شود[۳۹]:
۲-۴-۳-۲-داده استاندارد وکاهش ابعاد ویژگی
ویژگیهای مورد استفاده بوسیله پژوهشگران برای دستهبندی فعالیتهای انسان متنوع میباشد. ویژگیها شامل حجم، تکرار، بهم پیوستگی میباشد. نوع ویژگی حجم شامل ویژگیهایی است که مبتنی بر مقادیر بزرگی از حسگرها میباشد. ویژگیها در این طبقه بطور گسترده مبتنی بر مقادیر خام از حسگرها میباشند آنها شتاب محور x، شتاب محور Yو شتاب محور Z میباشند. ویژگی تکرار شامل ویژگیهایی است که مبتنی بر مقادیر تکراری حسگر ویژگیهاست.
ویژگیهای دامنه-زمان: بعضی از پژوهشها ویژگیهای دامنه-زمان را از پنجره داده شتاب بدست آوردهاند و معمولا آماری هستند شامل میانه، میانگین، واریانس و انحراف استاندارد، انحراف مطلق میانه وentropy ویژگیهای
دامنه-فرکانس: به منظور بدست آوردن ویژگیهای دامنه-تکرار پنجره ابتدا میبایست داده حسگر به دامنه – تکرار تبدیل شود که معمولا با بهره گرفتن از FFT[7]انجام میگیرد. خروجی FFT یک مجموعه درخت تصمیم میباشد. این الگوریتم بوسیله امتحان کردن قابلیت تشخیص ویژگیها در یک زمان برای خلق یک مجموعه قوائد کار می کند که ضرورتا مجهز به یک سیستم دستهبندی کامل می شود. از جمله[۸]FT و .DCT[9]سایر ویژگیها شامل آنالیز مولفه اصلی، آنالیز تفریق خطی و [۱۰]AR, HAAR میباشند. Wangو همکاران در پژوهش خود ویژگیهایی از جمله تعداد مشاهدات،
طولانیترین بعد، مجموع مقادیر را مطرح نموده اند.
۲-۴-۴-الگوریتمهای تشخیص فعالیت
الگوریتمهای تشخیص فعالیت فعالیتها و عملیاتهای متفاوت را براساس ورودی های کاربر دستهبندی می کند [۴۰]. این الگوریتمها معمولا یا روی ایستگاههای کاری[۱۱] یا موبایل هوشمند کاربر اجرا می شود. انتخاب الگوریتم دستهبندی، مبتنی بر قابلیت پردازش پلتفرم برای اجرای الگوریتم است. الگوریتمهای دسته بندی نظارت شده[۱۲] با نمونههای برچسب شده برای خلق مدل دستهبندی مجهز میشوند. سپس مدل برای دستهبندی داده های ورودی مورد استفاده قرارخواهد گرفت. این الگوریتمها شامل VN KNN ,SVM ,Decision Tree ,naïve-Bayes و…
الگوریتمهای نیمه نظارت شده[۱۳] شامل خودیادگیری[۱۴] و با هم یادگیری[۱۵] میباشد [۴۱]. خودیادگیری از یک دستهبندی کننده برای دستهبندی داده غیربرچسبگذاری شده استفاده می کند. با هم یادگیری از چندین دستهبندی کننده برای داده غیربرچسب گذاری شده استفاده می کند. در این الگوریتمها قسمتی از داده بدون برچسب مورد استفاده قرار میگیرد.
شکل۲- ۹-مدلهای تشخیص فعالیت [۴۱]
۲-۴-۴-۱-الگوریتم های خوشهبندی
الگوریتمهای تشخیص فعالیت به دو دسته تقسیم میشوند اولین مبتنی است بر روشهای یادگیری ماشین شامل
روشهای یادگیری نظارت شده و بدون نظارت [۴۲]. روشهای نظارت شده نیازمند استفاده از داده برچسبگذاری شده با یک الگوریتم که آموزش شده روالهای عمومی با استفادهاز الگوریتمهای یادگیری نظارت شده برای تشخیص فعالیت شامل چندین مرحله است:
بدست آوردن داده نمایشی حسگر ازفعالیتها
تعیین ویژگی های داده ورودی و نمایش آنها