در سالهای اخیر تشخیص فعالیت فیزیکی انسان از روی دادههای گرفتهشده توسط سنسورهای ژیروسکوب و شتابسنج در گوشی هوشمند، مورد توجه پژوهشگران قرار گرفته است. در این مقاله با به کارگیری روش تحلیل مؤلفههای اساسی، ویژگیهایی با بعد پایین و مناسب استخراج شده و کارایی چند طبقه More
در سالهای اخیر تشخیص فعالیت فیزیکی انسان از روی دادههای گرفتهشده توسط سنسورهای ژیروسکوب و شتابسنج در گوشی هوشمند، مورد توجه پژوهشگران قرار گرفته است. در این مقاله با به کارگیری روش تحلیل مؤلفههای اساسی، ویژگیهایی با بعد پایین و مناسب استخراج شده و کارایی چند طبقهبندیکننده مختلف شامل ماشین بردار پشتیبان، رگرسیون منطقی، ادابوست و شبکه عصبی کانولوشن برای طبقهبندی فعالیتها بررسی و یک سیستم کارا برای این منظور پیشنهاد شده است. نتایج به دست آمده نشان میدهد که سیستم پیشنهادی توانسته است دقت تشخیص را نسبت به کارهای اخیر بهبود دهد. یکی از چالشهایی که لازم است در خصوص سیستمهای تشخیص فعالیت مورد توجه قرار گیرد، میزان پایداری این سیستمها نسبت به مدلهای مختلف از گوشیهای هوشمند است. با توجه به این که کیفیت سنسورها و نویز مرتبط با آنها از یک مدل گوشی به مدل دیگر متفاوت است، بنابراین بررسی میزان پایداری الگوریتم شناسایی فعالیت در نویزهای مختلف حایز اهمیت خواهد بود. در این مقاله کارایی و میزان پایداری طبقهبندیکنندهها در سطوح مختلف نویز نیز بررسی شده است. نتایج به دست آمده نشان میدهد که ماشین بردار پشتیبان با میانگین دقت 34/96% پایداری بهتری نسبت به نویز در مقایسه با سایر طبقهبندیکنندهها داشته است.
Manuscript profile
Rimag
Rimag is an integrated platform to accomplish all scientific journal requirements such as submission, evaluation, reviewing, editing, DOI assignment and publishing in the web.