(48) 4507-5403
Você quer saber como fazer um trabalho academico? Por apenas R$ 10 por página Obtenha um exemplo de monografia gratuito e pronto

Reconhecimento de atividade para movimentos inquietos das pernas usando sensores ...

Sumário

O reconhecimento de atividades usando detectores vestíveis é um tópico comum da pesquisa. O trabalho mais recente neste local adiciona diferentes modalidades de detecção, como Capacitor e Acelerômetro, para melhorar o reconhecimento de atividades e obter ações mais desafiadoras. Este trabalho apresenta uma técnica para classificar várias atividades relativas a movimentos inquietos de bezerros, aplicando métodos de aprendizado de máquina em ajustes da vida real usando dados coletados por sensores vestíveis. O modele consiste em um modelo de aprendizado de máquina monitorado, que geralmente executa a classificação em várias classes (envolvendo seis classes) para reconhecer atividades do bezerro, como chute, inquietação e fricção, com base nos valores combinados dos sensores do acelerômetro, sensor de capacitor e giroscópio. Além disso, esse tipo de trabalho apresenta uma execução da divertida interface gráfica do usuário, juntamente com o estilo do classificador no pós-venda, que é usado para carregar, avaliar os dados das sugestões e visualizar e salvar a saída do replicador (atividades previstas).

1 Introdução

1 classificação multiclasse para reconhecimento de atividade

A identificação da atividade humana passou a ser uma medida poderosa para ver padrões comportamentais ou talvez indicadores dentro da pesquisa e do monitoramento da saúde. Nesta operação, o reconhecimento da atividade das pernas inquietas geralmente é formulado como um problema de classificação em várias classes. As aulas abordando várias atividades da perna serão: (1) arremessar, (2) remexer, (3) esfregar uma panturrilha adicional, (4) atravessar e descruzar as pernas, (5) ação revestida a gás, (6) flexionar o pé contra uma superfície, (7) alongamento (8) inativo. As informações são coletadas emulando essas atividades para aulas de dados da escola e testando lições de dados. Durante a realização dessas atividades, uma faixa da perna com sensores incorporados é colocada o tempo todo.

O procedimento mostrado na figura conceitual (Figura 1) é aplicado para tornar os dados naturais ansiosos pelo modelo de aprendizado de máquina, que envolve seleção de sensor, compra de dados, variedade de recursos e remoção. Para as opções de aprendizado de máquina para classificação, o Random Forest Classifier é empregado, pois provou estar obtendo melhores resultados com muito menos ajuste fino do hiperparâmetro em comparação com classificadores adicionais.

1 2 Determinação

O principal objetivo do projeto deve ser fornecer a plataforma de software de computador Equipment Learning para obter a pesquisa de validação BIT-RL no lar de idosos. Dentro do estudo BIT-RL (Indicadores comportamentais testam membros inferiores inquietos, BIT-RL) [1], o paciente é observado por mais de 20 minutos desse intervalo de tempo. O principal objetivo da declaração é tomar nota de qualquer um dos indicadores comportamentais (neste caso, sete movimentos diferentes das pernas inquietas) no intervalo de dois minutos. A plataforma do programa fornecerá uma oportunidade de validação para o processo manual de observação. A faixa de perna messfühler vestível é usada pelo indivíduo no momento da observação. Os dados coletados pela faixa de bezerros são dados como entrada no modelo de aprendizado de máquina.

parcelamento em seu plano de fundo

parcelamento em sua seleção 1 Messfühler

Acelerômetro percebendo

O sensor sensorial do acelerômetro de 3 eixos faculta a aceleração nos 3 eixos perpendiculares. Ao sentir a quantidade de aceleração poderosa, qualquer um pode analisar o movimento direcional da perna. O acelerômetro fornece valores discriminantes destinados à posição da perna lançada mais perto do chão (em caso de inquietação) até a colocação da perna em alguma elevação (em circunstância de chute).

Sensor capacitivo

Ultimamente, tecnologias de realização capacitiva são incorporadas a detectores vestíveis em combinação com acelerômetros para aprimorar a precisão e a seleção de aplicativos do programa de reconhecimento de atividades baseado em acelerômetro. Nessa situação, as placas do capacitor são compostas de tecidos condutores costurados no tecido. Receptores capacitivos podem impressionar os movimentos de corpos remotos. Os três receptores capacitivos na banda da panturrilha localizados na parte frontal, esquerda e direita do tornozelo demonstram diferença na capacitância, dependendo da diferença na proximidade de outra panturrilha. [2]

Sensor de giroscópio

O sensor do giroscópio adiciona mais uma dimensão aos dados de detecção fornecidos pelo acelerômetro, monitorando uma rotação. O giroscópio mede a velocidade de rotação angular. Com mais informações sobre inclinação ou alinhamento lateral do tornozelo / perna, o giroscópio ajuda a distinguir atividades como cruzar e descruzar (envolvendo inclinação) por atividades como inquietação (sem inclinação significativa)

2)configuração de dois sensores

Relativamente ao hardware da messfühler, é utilizada uma faixa de perna composta por sensor de acelerômetro de 3 eixos, 3 sensores de capacitor à base de têxteis e giroscópio de 3 eixos. O acordo do sensor na banda da perna é mostrado na figura 2. Os sensores do capacitor são sensores de capacitor baseados em têxteis, o messfühler do Acelerômetro e o sensor do giroscópio estão definitivamente embutidos no painel do microcontrolador. O grupo de música é colocado na perna correta dentro do tornozelo. A figura três ou mais mostra o assunto do voluntário usando uma banda. A banda da perna também possui um painel de microcontrolador com Bluetooth, ao qual todos os sensores estão conectados. Para adquirir os dados da sua banda, é necessário que a interconexão Bluetooth seja formada entre o PC e a banda. Depois que a conexão é estabelecida, com a ajuda do script python, os dados podem ser coletados e salvos na forma de arquivos CSV. O número 4 listado abaixo mostra o formato bruto dos dados.

parcelamento na sua 3 Coleta de dados:

Os dados geralmente são coletados acima do ambiente controlado com alguns participantes voluntários. São coletados três conjuntos de dados para informações de teste, onde cada conjunto de dados contém dados de 30 minutos. As informações são obtidas na taxa de amostragem de 25 Hertz, que é o intervalo típico para ações humanas, ações finas e distinções sutis de atividades. Os tópicos de voluntariado são bem orientados para serem sentados em uma cadeira ou sofá durante o teste. As informações sobre como cada atividade é realizada têm para os sujeitos.

3. Implementação

3. você pré-processamento de dados brutos

Os dados brutos obtidos dos sensores de capacitor geralmente são normalizados, pois os sensores de capacitor baseados em têxteis podem não ser bem calibrados e podem resultar em uma mudança significativa no número de capacitância toda vez que os dados são adquiridos.

Caso existam detectores IMU, o componente de alta frequência, conhecido como componente UNIDADE DE AR ​​CONDICIONADO, está relacionado ao movimento ativo que o usuário está executando, e. g., chutando, atravessando, enquanto o componente de baixa frequência, conhecido como componente POWER, se refere à força gravitacional que pode ser negligenciada. Além da parte CC, os dados naturais provenientes dos sensores contêm uma quantidade significativa de ruídos, o que é desnecessário para avaliação posterior e, portanto, estão sendo usados ​​’Filtros de Passagem de Banda’ na variedade de (2 a 12 Hz). O tipo do filtro é ‘Butterworth Bandpass filter’ e o filtro é da ordem 6.

3. algumas Variedades e remoção de recursos

A tarefa de classificação é atacada após a obtenção de recursos a partir de dados pré-processados. Os recursos são computados na janela deslizante com o tamanho regular de 75 amostras (3 segundos). Como praticamente todas as atividades levam de 1 a 3 segundos para serem realizadas uma vez, escolher o tamanho da janela de três ou mais segundos é confiável em termos de não faltar uma atividade parcial.

As características estatísticas calculadas em uma janela inicial de dados não cozidos são: (1) Implica (2) Diferença (3) Sq. (4) Média harmônica (5) Inclinação. Os recursos de nomes de domínio de frequência calculados em uma janela de dados brutos serão: (1) Centróide irreal (2) Intensidade do sinal. Além disso, um recurso adicional é definitivamente calculado em uma janela não processada de dados não processados, que apresenta muitos picos acima do limite de 60% do pico com valor máximo.

A seleção de recursos relevantes desempenha um papel importante ao longo do caminho do treinamento. Muitos recursos irrelevantes podem resultar em tempo de treinamento elevado, superando o modelo

O algoritmo baseado em uma floresta de decisão como a Floresta Arbitrária pode ser usado para estimar o valor dos recursos computados. A função ‘feature_importance_’ fornecida pelo Scikit Learn [3] é usada para calcular a pontuação de cada recurso dentro do vetor de característica do formulário. Quanto maior a pontuação, maior a importância do recurso. Depois de obter o vetor de classificação, o recurso ao usar classificação insignificante é eliminado dos meios de treinamento para aumentar a velocidade do cálculo.

3. 3 Versão do Machine Learning

Os algoritmos de aprendizado de máquina supervisionado comumente usados ​​para tarefas de classificação serão SVM (Support Vector Machines), K vizinho mais próximo (KNN), descida estocástica de gradiente (SGD) do Random Forest Ensemble (RF), em que os SGDs são usados ​​no caso de haver uma número muito grande de dados de treinamento (>95.000 instâncias) [3]. Com o conjunto de dados atual, após a extração do recurso, dez mil ocasiões de treinamento são recebidas. Considerando a sofisticada classificação de 8 classes ask, um grande replicador do Ensemble como um grande estimador acabou sendo uma escolha melhor, pois as estratégias do Ensemble usam todos os estimadores fracos combinados para formar um estimador forte. A Random Forest é um dos algoritmos de vestuário mais populares no que diz respeito à tarefa de classificação de várias classes. Os recursos do Random Forest que o tornam uma melhor escolha são: implementação fácil, ajuste mínimo excitável [4].O algoritmo Random Forest usado na presente unidade é um conjunto de árvores de decisão. [3] É qualificado com o método de ensacamento. A idéia típica por trás do método de ensacamento é combinar as conseqüências do aprendizado dos estimadores para aumentar o desempenho geral. A palavra ‘Aleatório’ aqui sugere a busca pelo melhor recurso de um recurso de subconjunto aleatório ao dividir um nó.

Floresta aleatória é uma variedade de floresta de decisão. Algoritmo de árvore de decisão ideal para a teoria de fazer previsões de acordo com as características. Dado ideal para começar a definir recursos, os algoritmos da árvore de decisão criam um conjunto de atributos.

O classificador de conjunto Random Forest cria uma variedade de madeiras de decisão. Cada árvore de decisão pode ser descrita como subconjunto aleatório do conjunto total de dados. Cada recurso do nó 1 é selecionado para criar uma decisão que separa a instância. O efeito de cada decisão é uma das aulas de ensino. Muitos votos são obtidos de todas as classes previstas de cada uma das árvores de decisão, o que é uma previsão final para esta instância.

Um dos hiperparâmetros essenciais para ajustar a Floresta Aleatória é um número de árvores na Floresta. O volume de árvores oferece maior precisão. O físico 6 abaixo mostra a ideia de Random Forest ensemble répertorier.

3. alguma classificação hierárquica (classificação de 2 níveis)

Na classificação multiclasse, o número de classes corrige o modelo geral de precisão e confiabilidade. Um dos muitos métodos comumente usados ​​é distribuir as classes usando uma abordagem hierárquica. No modelo de hoje, a abordagem hierárquica é usada para aumentar a precisão. Inicialmente, o modelo é treinado sem hierarquia para avaliar as classes que são imprevisíveis entre si. A matriz de confusão, como no número 11, exibe os resultados iniciais. A classe 3 ‘Rubbing’ e a classe 5 ‘Crossing’ são imprevisíveis juntas e, portanto, um classificador separado (nesse caso, um classificador binário) é educado no segundo nível. No segundo nível, o classificador binário pode ser treinado com os dados das classes ‘3’ e ‘4’ e prevê os resultados para o similar. Essas estimativas são preenchidas com a parte restante das previsões como resultados. A imagem conceitual do classificador hierárquico é realmente como mostrado na figura seis.

3. algumas interfaces de usuário para análise de dados

O principal objetivo de sua pesquisa em análise de dados é confirmar sinais comportamentais de pessoas através do aprendizado de equipamentos. Os dados para o sérier são adquiridos por faixas de pernas de sensores vestíveis colocadas por pessoas. O modelo sugerido deve ser utilizado na pesquisa de movimentos da panturrilha nos pacientes da residência de enfermagem. Para disponibilizar o processo de treinamento e computação pela equipe do lar de idosos, foi criado um Gui contendo funcionalidades para analisar dados. A figura quase oito mostra a aparência da GUI. A GUI pode ser desenvolvida na coleção ‘Tkinter’ em Python. Ele fornece essas funcionalidades

1) Carregar documento: O botão ‘Carregar arquivo’ fornece a eficiência para publicar as informações de teste no formato CSV

2) Executar avaliação: O botão de pressão ‘Executar análise’ executa o modelo de classificador treinado dentro do back-end para prever os resultados referentes aos dados de teste. As respostas são preenchidas por meio de um suporte na GUI. Na tabela de resultados, as características da coluna representam as 7 ações e as linhas representam um intervalo de tempo. O intervalo de período comumente usado com este estudo é geralmente ‘2 minutos’. Por exemplo, se o período total de observação for geralmente de 30 minutos. A tabela de resultados terá 15 séries indicando dois minutos de duração cada. se um assunto executar alguma de várias atividades dentro de dois minutos, o resultado dessa entrada provavelmente será atualizado porque ‘yes’ abaixo da coluna dessa atividade. A princípio, todas as entradas na tabela de efeitos serão ‘Não’. A quantidade de linhas preenchidas após a pesquisa é energética e é influenciada pelo intervalo total do período no conjunto de dados de teste. A figura 9 exibe A GUI com a matriz de conseqüências preenchida após o exame.

3) Intervalo: o menu suspenso é fornecido na GUI para selecionar o intervalo de observação. Eu. e se o intervalo escolhido ‘3 minutos’ e a frota total de dados dos testes puder ser ’30 minutos’, 10 séries serão habitadas após a pesquisa.

4) Informações da plotagem: A funcionalidade de plotagem está incluída na GUI para fazer uma análise estética dos dados do teste. O número 10 mostra o gráfico pré-processado de informações de teste coletadas em 20 minutos.

5) Salvar arquivo: o botão ‘Salvar arquivo’ salva a tabela de efeitos na forma de arquivo CSV. O consumidor pode escolher o local para salvar o arquivo e salvá-lo com o nome ideal.

quatro Resultados e discussão

alguns. 1 Desempenho geral com um classificador de florestas arbitrárias de nível solitário

Com base nos dados de recursos gerados a partir de informações de treinamento não cozidas, como um grupo de classificadores foi treinado para avaliar a eficiência da classificação multiclasse.No início, um único Sérier Randomly Forest foi condicionado para analisar o desempenho da classificação multiclasse. A Figura 11 mostra a matriz de confusão para o Random Forest Classifier. A precisão neste classificador é 83. 25%. A partir da matriz de confusão, é realmente evidente que as classes ‘3’ (Esfregar) e ‘4’ (Cruzamento) são as classes com confusão ideal, embora o restante seja previsto corretamente em comparação às classes ‘3’ e ‘4’ . Consequentemente, um classificador de segundo nível é utilizado para classificar as classes ‘3’ e ‘4’.

4. algumas performances com classificação de 2 níveis ou classificação hierárquica

A classificação hierárquica é na verdade uma combinação de classificadores em diversos níveis. Em casos como esse, a classe ‘3’ (Esfregar) e a classe ‘4’ (Cruzamento) são combinadas no segundo nível, porque esses tipos de atividades são executadas de maneira semelhante. No segundo nível, um Classificador Aleatório de Floresta é empregado como classificador binário. É treinado nos dados das classes ‘3’ e ‘4’. A figura doze mostra os resultados de uma classificação hierárquica. A precisão deste modelo é 86. 12%. A classificação hierárquica superior a precisão geral e confiabilidade em cerca de 3%.

5. 3 Abordagem ideal para votação

Enquanto o modelo treinado deve ser usado nas casas de repouso para o estudo de indicadores comportamentais nos portadores de demência, a GUI foi projetada para disponibilizar a análise. O objetivo principal da pesquisa no lar de amamentação é manter um controle quando um sujeito apresenta alguma das sete atividades na duração de cada par de minutos na sessão total de trinta minutos. Portanto, com a matriz de confusão padrão, é difícil para a equipe da enfermaria analisar os dados. A melhor maneira de preencher o resultado na GUI é no tipo de uma matriz binária, na verdade. e caso os recursos do usuário tenham realizado o jogo, o acesso para esse período será habitado como ‘sim’ após a análise. O restante dos registros será preenchido como ‘Não’.

Aqui, para melhorar a precisão e a confiabilidade do início dessa matriz binária, é usada a estratégia na eleição política máxima.

5. 4 Melhoria da eficiência usando a estratégia de eleição política máxima

Nesta abordagem, a eleição máxima em janelas de três ou mais segundos é usada. Como o comprimento da janela inicial destinado à extração de recursos no primeiro estágio é de 3 segundos (75 amostras), o valor do modo ou a votação ideal geralmente é obtido com o mesmo comprimento de janela. alguns valores são previstos quase a cada segundo, com a duração da janela de 75 amostras e 90% de sobreposição deslizante.

Aplicando a estratégia de voto máximo, a precisão do início é aprimorada para 98. 10%. Usando a estratégia de voto máximo, evita-se que as previsões falsas sejam preenchidas na GUI, tornando mais fácil para a equipe da casa de repouso investigar os resultados.

5. Bottom line

Em nosso trabalho, várias técnicas para melhorar o desempenho da classificação multiclasse são executadas. Os dados brutos são filtrados com uma filtragem passa-banda e normalizados para evitar os problemas causados ​​pela calibração instável dos sensores na banda da perna. Recursos do site de tempo, recursos do domínio da frequência e recursos brutos calculados sobre a duração constante da janela deslizante dos dados brutos. Esses tipos de recursos são usados ​​em combinação com base na relevância de cada recurso, eliminando os recursos redundantes. O modelo pode ser educado inicialmente com o Classificador aleatório de floresta clássico para investigar os mal-entendidos entre as classes. O desempenho do modelo foi aprimorado com a configuração do classificador hierárquico ou de dois níveis com o Classificador de floresta exclusivo binário no segundo nível. A precisão obtida com a classificação hierárquica pode ser 86,12%. A GUI é criada do zero para permitir que um usuário calcule os dados de verificação de previsões facilmente. A GUI usa para carregar os dados de teste, executar o exame, exibir a tabela de efeitos, escolha do intervalo e salvar os resultados na estrutura CSV. O suporte de resultados exibido na GUI será obtido após a votação ideal sobre o tamanho da janela. Essa abordagem da classificação multiclasse é útil com os dados limitados de treinamento e o grande número de classes para a tarefa de classificação.

Prev post Next post