Metrika članka

  • citati u SCindeksu: 0
  • citati u CrossRef-u:0
  • citati u Google Scholaru:[=>]
  • posete u poslednjih 30 dana:8
  • preuzimanja u poslednjih 30 dana:6
članak: 2 od 10  
Back povratak na rezultate
Zbornik radova, Elektrotehnički institut "Nikola Tesla"
2018, vol. 28, br. 28, str. 135-143
jezik rada: srpski
vrsta rada: stručni članak
doi:10.5937/zeint28-19587
Creative Commons License 4.0
Nova metoda za prepoznavanje aktivnosti ljudi zasnovana na IMU senzorima i na teoriji digitalne obrade govora
aUniverzitet u Beogradu, Elektrotehnički fakultet + Univerzitet u Beogradu, Elektrotehnički institut 'Nikola Tesla', Beograd
bUniverzitet u Beogradu, Elektrotehnički institut 'Nikola Tesla', Beograd

e-adresa: nikolacakic@ieent.org

Sažetak

U radu je prezentovana nova metoda za prepoznavanje aktivnosti ljudi (HAR). U današnje vreme najveći delovi HAR sistema se oslanjaju na inercijalne IMU senzore podesne za nošenje. Najzastupljeniji IMU senzori su akcelerometar i žiroskop. Pomenuti senzori su široko rasprostranjeni u mobilnim uređajima kao što su pametni telefoni ili pametni satovi. Autori obično koriste karakteristične vrednosti signala u realnom vremenu kao ulaze u klasifikator računajući ih samo pomoću sliding prozora. Ovaj rad predlaže novu metodu zasnovanu na speech-silence diskriminacionoj tehnici za detektovanje početka i kraja određene aktivnosti. Predstavljena metoda se oslanja na kratkotrajni logaritam energije (STLE) i kumulativnu sumu ugla STLE. Metoda je testirana na dve slične fizičke vežbe: čučanj i podizanje kolena. Ovaj algoritam obezbeđuje pre klasifikacionu preciznost od 41,2%, samo na osnovu precizne detekcije dužine pojedinih stanja vežbe (start, srednji i krajnji položaj). Predložena metoda smanjuje kompleksnost, klasifikovajući aktivnosti samo kada se detektuju (ne klasifikujući pauze između aktivnosti).

Ključne reči

prepoznavanje aktivnosti ljudi; kratkotrajni logaritam energije; kumulativna suma; detekcija stanja aktivnosti; IMU senzori; fizičke vežbe

Reference

Bonnet, V., Joukov, V., Kulic, D., Fraisse, P., Ramdani, N., Venture, G. (2016) Monitoring of Hip and Knee Joint Angles Using a Single Inertial Measurement Unit During Lower Limb Rehabilitation. IEEE Sensors Journal, 16(6): 1557-1564
Moreno, W., Yurur, O., Liu, C.-H. (2013) Unsupervised posture detection by smartphone accelerometer. Electronics Letters, 49(8): 562-564
Taniguchi, R., El-Shazly, E.H., Shimada, A., Abdelwahab, M. M. (2016) Early gesture recognition with adaptive window selection employing canonical correlation analysis for gaming. Electronics Letters, 52(16): 1379-1381
Tao, D., Jin, L., Yuan, Y., Xue, Y. (2016) Ensemble Manifold Rank Preserving for Acceleration-Based Human Activity Recognition. IEEE Transactions on Neural Networks and Learning Systems, 27(6): 1392-1404
Toth-Laufer, E., Varkonyi-Koczy, A.R. (2014) A Soft Computing-Based Hierarchical Sport Activity Risk Level Calculation Model for Supporting Home Exercises. IEEE Transactions on Instrumentation and Measurement, 63(6): 1400-1411
Yurur, O., Liu, C.H., Sheng, Z., Leung, V.C. M., Moreno, W., Leung, K.K. (2016) Context-Awareness for Mobile Sensing: A Survey and Future Directions. IEEE Communications Surveys & Tutorials, 18(1): 68-93