Smoking recognition using smartwatch sensors

Teknolojik gelişmeler sayesinde akıllı saat ve akıllı telefonların kullanımı hızla artmaktadır. Bu cihazlar çeşitli hareket sensörleri ile donatılmışlardır ve bu da onları insan aktivitelerini tanıma için etkili kılar. Akıllı saatler el-bilek hareketlerinin ön planda olduğu karmaşık aktiviteleri tespit etmek için kullanılırken, akıllı telefonlar daha basit hareketler içeren aktiveleri tespit etmek için daha uygundur. Buna ek olarak, yalnızca ivmeölçer kullanarak yürüme gibi basit aktiviteler iyi bir performansla tanımlanabilir, ancak yürürken sigara içmek gibi daha karmaşık aktiviteleri tanımlamada ivmeölçere ek olarak jiroskop kullanmak daha iyi sonuç verir. Bu durum, sensör örnekleme oranı, öznitelik seti ve pencere boyu gibi diğer parametreler için de geçerlidir. Dolayısıyla, iyi bir tanıma için farklı aktivitelerin farklı parametre ayarlarının olması gerekir. Ayrıca parametrelerin değiştirilmesi, bu kaynakları sınırlı cihazlarda kaynağın daha fazla ve gereksiz tüketilmesine ya da bunun tersine neden olabilir. Bu çalışmada bizim temel motivasyonumuz, karmaşık ve büyük bir veri seti kullanarak parametrelerin aktivite tanıma sürecine olan etkilerini doğruluk ve kaynak kullanımı açısından incelemektir. Bu amaçla, 11 katılımcıdan 45 saatlik bir veri seti toplandı. Veri seti, dört farklı duruşta (oturarak, ayakta, yürürken ve sohbet ortamında) sigara içme aktiviteleri, sigara içmeye benzer el-bilek hareketleri içeren (oturarak ve ayakta kahve içme ve yemek yeme) aktiviteleri ve bazı basit aktiviteleri (oturma, ayakta durma ve yürüme) içeren toplam on farklı aktivite içermektedir. İlk olarak, 4 farklı pencere boyu, her sensör için ayrı ayrı hesaplanan 63 öznitelik, 4 farklı sensör, 2 farklı sensör kombinasyonu, 3 sınıflandırma algoritması ve 10 farklı aktivite için parametrelerin etkilerini analiz ettik. Bahsedilen parametreleri değiştirerek, veri setinde tanıma performansını en üst seviyede tutmak için en iyi parametre gruplarını bulduk. Buna ek olarak, katılımcıların boylarının tanıma performansına olan etkilerini de inceledik. Sonuçlar sadece zaman-alanlı özniteliklerin daha iyi performansa sahip olduğunu ve basit aktiviteleri tanımlamada sadece ivmeölçer yeterliyken karmaşık aktiviteler için ivmeölçer ve jiroskop birleşiminin daha iyi performans elde ettiğini gösterdi. Tüm aktiviteler dikkate alındığında boyun tanıma performansı üzerinde önemli bir etkiye sahip olmadığını görüldük. Ancak boyları birbirinden belirgin bir şekilde farklı olan katılımcıların sadece ayakta sigara içme aktivitesine boyun etkisi farkedildi. İkinci olarak, parametrelerin ihtiyaca göre seçildiği bağlam farklında bir aktivite tanıma üzerine çalıştık. Aktivitenin türüne göre (basit ya da karmaşık) farklı sensörleri, örnekleme aralıklarını, pencere boylarını ve öznitelikleri kullanan bir dinamik parametre seçimi algoritması önerdik. Kullanıcının basit veya karmaşık bir aktivite gerçekleştirip gerçekleştirmediğini belirleyen bir durum algılama algoritması sayesinde aktivitenin türünün ne olduğu bilgisini algoritmaya verdik. Algoritmanın performansını hem tanıma oranı hem de kaynak tüketimi açısından değerlendirdik. Dinamik parametre seçimi sonuçlarını, statik ve yarı dinamik parametre seçimi sonuçları ile karşılaştırdık. Önce, ilk analizimizde kullandığımız öznitelik gruplarını kullandık, ardından öznitelik seçimi algoritmalarını kullanarak hem öznitelik sayısını azalttığımız hem de en etkili öznitelikleri tespit ettiğimiz yüksek etkili öznitelikleri belirledik. Sonuçlar, hem öznitelik seçiminden önce hem de sonrası için, dinamik parametre seçimi algoritmasının aktiviteye bağlı olarak %2 ile %13 arasında bir performans artışı sağladığını gösterdi. Öznitelik seçiminini uygulamadan önce, dinamik parametre seçimi, statik parametre seçimine kıyasla %33 daha az enerji ve %20 daha az CPU tüketimi sağladı. Ayrıca, seçilen yüksek etkili öznitelikleri dinamik parametre seçimi algoritmasında kullanarak, son iyileştirmeye kıyasla CPU ve enerji tüketiminde %65'lik bir azalma elde ettik.