Activity recognition invariant to position and orientation of wearable motion sensor units

İnsan aktivitelerinin tanınması bağlamında giyilebilir hareket algılayıcı ünitelerinin yerleşimine karşı değişmezlik elde eden yöntemler öne sürülmektedir. İlk olarak, algılayıcı ünitelerinin yönlerine yoğunlaşılarak ünitelerin takılış yönünün etkisini ham algılayıcı verilerinden çıkaran üç alternatif dönüşüm geliştirilmektedir. Yönden-bağımsız dönüşümlerin ilk ikisi, ölçümlerin geometrisine dayanırken, üçüncüsü, algılayıcı verilerinin fiziksel özellikleri kullanılarak algılayıcı ünitelerinin dünyanın koordinat sistemine göre yönlerinin kestirimini esas almaktadır. Bu yöntemler, birden fazla güncel makine öğrenme sınıflandırıcısı ile (mümkün olduğunda) herkese açık, çeşitli aktivite tiplerini içeren ve farklı algılayıcı düzenleşimleriyle elde edilmiş olan beş veri kümesi kullanılarak değerlendirilmiştir. Alışılagelmiş sistem, yanlış yönlü algılayıcılarla baş edemezken, bu yöntemlerin, algılayıcı yönlerinin doğru olduğu referans sistemle benzer başarım elde ettiği gösterilmiştir. Üçüncü dönüşümün başarımını arttırmak için, algılayıcı verilerinin fiziksel ve geometrik özelliklerine dayanan, algılayıcı üniteleri için yenilikçi ve yinelemesiz bir yön kestirim yöntemi de öne sürülmektedir. Algılayıcı düzenleşimleri, beden hareketleri ve sınıflandırma yöntemi ile ilgili herhangi bir varsayımda bulunulmadığı için, yönden-bağımsız yöntemlerin üçü de, var olan giyilebilir sistemlerin ön-işleme aşamalarına kolayca dahil edilebilir. İkinci olarak, algılayıcı ünitelerinin konumlandırılmasına karşı üç farklı şekilde değişmezlik elde eden yöntemler geliştirilmektedir: (1) Her bir giyilebilir ünitenin önceden belirlenmiş bir beden parçası üzerinde herhangi bir konuma yerleştirilmesine izin vermek için algılayıcı verilerine uygulanan iki farklı dönüşüm öne sürülmektedir. (2) Kullanıcının, üniteleri yerleştirmeden önce birbirinden ayırt etmesine gerek kalmaması için, ünitelerin değiş tokuş edilebilmelerine izin veren bir dönüşüm öne sürülmektedir. (3) Öğrenme verileri birden fazla konuma yerleştirilmiş birden fazla üniteden elde edilen veriler içermesine karşın, aktiviteleri tek bir algılayıcı ünitesine dayanarak sınıflandırabilen üç farklı yöntem kullanılmaktadır. Daha fazla gürbüzlük elde etmek için (1)'deki yöntem, (2) ile ve ayrıca (3) ile birleştirilmektedir. Önerilen yöntemler, yedi güncel sınıflandırıcı kullanılarak herkese açık bir veri kümesi üzerinde gerçeklenmiş ve sağlanan esneklik düşünüldüğünde başarımdaki düşüşün kabul edilebilir olduğu değerlendirilmiştir. Son olarak, konum ve yönden bağımsız yöntemler, bu iki önemli özelliğin aynı anda sağlanabilmesi için tümleştirilmiştir. Başarım değerleri, doğru biçimde takılmış olan algılayıcı ünitelerinin başarımından daha düşük olsa da, rastgele karar verme stratejisine göre çok daha yüksektir. Algılayıcı ünitelerinin yerleşimi ve sınıflandırma başarımı arasındaki ödünleşime göre, farklı uygulamalar için farklı yöntem seçimleri yapılabilmektedir.