Πλοήγηση ανά Συγγραφέας "Malliotakis, Theodoros"

Τώρα δείχνει 1 - 1 of 1
  • Μικρογραφία εικόνας
    Τεκμήριο
    Αναγνώριση ανθρώπινης δραστηριότητας με χρήση έξυπνων τηλεφώνων.
    (Τ.Ε.Ι. Κρήτης, Σχολή Τεχνολογικών Εφαρμογών (Σ.Τ.Εφ), ΠΜΣ Πληροφορική και Πολυμέσα, 2017-02-20) Μαλλιωτάκης, Θεόδωρος; Malliotakis, Theodoros
    Η παρούσα εργασία επικεντρώνεται στη μελέτη συστημάτων αναγνώρισης της ανθρώπινης δραστηριότητας με τη χρήση «έξυπνων» φορητών συσκευών. Το κύριο ερευνητικό ερώτημα το οποίο καλούμαστε να απαντήσουμε είναι: «Ποιο είναι η βέλτιστη πειραματική διάταξη η οποία βελτιώνει την απόδοση ενός συστήματος αναγνώρισης της ανθρώπινης δραστηριότητας;» Το ερευνητικό αυτό ερώτημα μπορεί να απαντηθεί αφού απαντηθούν επιμέρους ερωτήματα που προκύπτουν και είναι τα παρακάτω: α) Ποιοι αλγόριθμοι ταξιθέτησης ή ταξινόμησης παράγουν τα βέλτιστα αποτελέσματα σε ευαισθησία και ακρίβεια; β) Ποιο είναι το βέλτιστο σύνολο χαρακτηριστικών που εξάγονται από το αρχικό σήμα και βελτιώνει την απόδοση ενός συστήματος αναγνώρισης της ανθρώπινης δραστηριότητας; και γ) Ποιοι είναι γενικά οι παράγοντες και πώς αυτοί μπορούν να επηρεάσουν την υλοποίηση ενός συστήματος αναγνώρισης της ανθρώπινης δραστηριότητας σε μία «έξυπνη» φορητή συσκευή; Με σκοπό να απαντηθούν τα ερευνητικά ερωτήματα που τίθενται παραπάνω ήταν απαραίτητο να επιλεχθούν κάποιες βάσεις δεδομένων ή αλλιώς σύνολα δεδομένων που έχουν συλλεχθεί με χρήση «έξυπνων» φορητών συσκευών. Η πρώτη βάση δεδομένων που επιλέχθηκε και είναι διαθέσιμη δημοσίως ήταν η βάση δεδομένων του WISDM (Wireless Sensor Data Mining) που δημιουργήθηκε από το πανεπιστήμιο του Fordham της Νέας Υόρκης. Αυτό το σύνολο δεδομένων έχει συλλεχθεί με τη χρήση των αισθητήρων επιτάχυνσης ή αλλιώς επιταχυνσιόμετρα που περιλαμβάνουν οι φορητές συσκευές. Τα δεδομένα αυτά αφορούν τις παρακάτω έξι καθημερινές δραστηριότητες: περπάτημα, τρέξιμο, ανάβαση σκάλας, κατάβαση σκάλας, κάθισμα και ορθοστασία. Για το παραπάνω επιλεγμένο σύνολο δεδομένων επικεντρωθήκαμε στην αναπαραγωγή της πιο πρόσφατα δημοσιευμένης υλοποίησης που αφορά τη συγκεκριμένη βάση δεδομένων καθώς και των αποτελεσμάτων που υπάρχουν σε αυτή τη δημοσίευση. Στη συνέχεια χρησιμοποιήσαμε το επίσης δημοσίως διαθέσιμο σύνολο δεδομένων «MOBIFALL». Το MOBIFALL δημιουργήθηκε από το εργαστήριο Βιοϊατρικής Πληροφορικής του Τμήματος Μηχανικών Πληροφορικής του ΤΕΙ Κρήτης το οποίο περιλαμβάνει σήματα που έχουν καταγραφεί από το επιταχυνσιόμετρο και το γυροσκόπιο φορητών συσκευών. Αυτή η βάση δεδομένων περιλαμβάνει σήματα για τέσσερις διαφορετικές πτώσεις και εννέα διαφορετικές δραστηριότητες της καθημερινής ζωής. Τα βέλτιστα (εξαγόμενα από τα αρχικά δεδομένα) χαρακτηριστικά τα οποία οδηγούν στην καλύτερη δυνατή απόδοση των αλγορίθμων αναγνώρισης διερευνήθηκαν διεξοδικά. Αυτά προήλθαν από τη σύγκριση των αποτελεσμάτων που επιτεύχθηκαν από τα παραπάνω επιλεγμένα σύνολα δεδομένων (WISDM, MOBIFALL). Τα χαρακτηριστικά αυτά ελέγχθηκαν και αξιολογήθηκαν ώστε να ευρεθεί το μικρότερο δυνατό σύνολο χαρακτηριστικών που εγγυάται το σαφή προσδιορισμό των εξεταζόμενων δραστηριοτήτων. Παράλληλα έγινε προσπάθεια ώστε να μπορεί να πραγματοποιηθεί αναγνώριση δραστηριοτήτων «σχεδόν» σε πραγματικό χρόνο. Η σύγκριση των αποτελεσμάτων των αλγορίθμων που εφαρμόστηκαν στα παραπάνω σύνολα δεδομένων οδήγησαν στο να προσδιοριστεί η επίδραση του μεγέθους του συνόλου δεδομένων που χρησιμοποιείται κατά τη διαδικασία «εκπαίδευσης» των αλγορίθμων, στην ποιότητα των αποτελεσμάτων. Επίσης πέντε διαφορετικοί αλγόριθμοι «ταξιθέτησης» αξιολογήθηκαν με βάση την ευαισθησία και την ακρίβεια των αποτελεσμάτων που παρέχουν. Τα αποτελέσματα που εξήχθησαν από την έρευνα, μας επιτρέπουν να καταλήξουμε σε συμπαγή συμπεράσματα λαμβάνοντας υπόψη και τις επιτρεπτές παραμετροποιήσεις των χρησιμοποιούμενων αλγορίθμων «ταξιθέτησης». Με την παραπάνω μεθοδολογία καταλήγουμε στη δημιουργία ενός συστήματος αναγνώρισης ανθρώπινων δραστηριοτήτων καθημερινής ζωής το οποίο θα είναι εφικτό να υλοποιηθεί για σε «έξυπνες» φορητές συσκευές.