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:7
članak: 3 od 10  
Back povratak na rezultate
Tehnika
2017, vol. 72, br. 1, str. 82-87
jezik rada: srpski
vrsta rada: stručni članak
doi:10.5937/tehnika1701082C
Creative Commons License 4.0
Klasifikacija fizičkih vežbi korišćenjem troosnog akcelerometra pametnog telefona i veštačke neuralne mreže
Univerzitet u Beogradu, Elektrotehnički institut 'Nikola Tesla', Beograd

e-adresa: nikola.cakic@ieent.org

Sažetak

Rasprostranjenost pametnih telefona i njihove dovoljne računarske sposobnosti se mogu iskoristiti za prepoznavanje svakodnevnih fizičkih vežbi. Prikupljene informacije o obavljenim vežbama mogu se upotrebiti na polju zdravstvene informatike. Za prepoznavanje određene fizičke aktivnosti potreban je veći broj senzora ili njihovo repozicioniranje u toku vežbanja. U radu je prikazan način za prepoznavanje vežbi samo pomoću troosnog senzora ubrzanja koji je ugrađen u pametan telefon. Sam telefon se slobodno kreće u džepu korisnika. Problem broja senzora i njihovog repozicioniranja u radu je rešen filtracijom mernih signala i odabirom deskriptora signala. Analizirano je devet vežbi karakterističnih za različite programe i nivoe vežbanja. Za filtriranje mernih signala korišćen je Batervortov filtar propusnik niskih učestanosti desetog reda. Filtrirani signali su opisani pomoću pet deskriptora, koji su korišćeni za obučavanje veštačke neuralne mreže (VNM). Klasifikacija tipa vežbe je obavljena pomoću VNM sa greškom od 0.7%. Pojedine vežbe se mogu obavljati samo levom ili samo desnom nogom. Tačnost klasifikacije predloženog pristupa je testirana tako što je telefon sve vreme bio u desnom džepu čak i kada je vežba obavljana levom nogom.

Ključne reči

Reference

Ar, I., Akgul, Y.S. (2014) A Computerized Recognition System for the Home-Based Physiotherapy Exercises Using an RGBD Camera. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 22(6): 1160-1171
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
Ermes, M., Parkka, J., Mantyjarvi, J., Korhonen, I. (2008) Detection of Daily Activities and Sports With Wearable Sensors in Controlled and Uncontrolled Conditions. IEEE Transactions on Information Technology in Biomedicine, 12(1): 20-26
Guan, Q., Yin, X., Guo, X., Wang, G. (2016) A Novel Infrared Motion Sensing System for Compressive Classification of Physical Activity. IEEE Sensors Journal, 16(8): 2251-2259
Guo, S., Grindle, G.G., Authier, E.L., Cooper, R.A., Fitzgerald, S.G., Kelleher, A., Cooper, R. (2006) Development and Qualitative Assessment of the<tex>$hbox GAME^rm Cycle$</tex>Exercise System. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 14(1): 83-90
Kang, W., Han, Y. (2015) SmartPDR: Smartphone-Based Pedestrian Dead Reckoning for Indoor Localization. IEEE Sensors Journal, 15(5): 2906-2916
Li, G., Liu, T., Yi, J., Wang, H., Li, J., Inoue, Y. (2016) The Lower Limbs Kinematics Analysis by Wearable Sensor Shoes. IEEE Sensors Journal, 16(8): 2627-2638
Liao, J., Wang, Z., Wan, L., Cao, Q., Qi, H. (2014) Smart Diary: A Smartphone-based Framework for Sensing, Inferring and Logging Users’ Daily Life. IEEE Sensors Journal, str. 1-1
Maamar, H. R., Boukerche, A., Petriu, E. M. (2012) 3-D Streaming Supplying Partner Protocols for Mobile Collaborative Exergaming for Health. IEEE Transactions on Information Technology in Biomedicine, 16(6): 1079-1095
Phan, N., Ebrahimi, J., Kil, D., Piniewski, B., Dou, D. (2016) Topic-Aware Physical Activity Propagation in a Health Social Network. IEEE Intelligent Systems, 31(1): 5-14
Sardini, E., Serpelloni, M., Pasqui, V. (2015) Wireless Wearable T-Shirt for Posture Monitoring During Rehabilitation Exercises. IEEE Transactions on Instrumentation and Measurement, 64(2): 439-448
Wang, A., Chen, G., Yang, J., Zhao, S., Chang, C. (2016) A Comparative Study on Human Activity Recognition Using Inertial Sensors in a Smartphone. IEEE Sensors Journal, 16(11): 4566-4578
Wu, M., Chen, C., Wen, C., Hsu, J. (2013) Design of Pervasive Rehabilitation Monitoring for Chronic Obstructive Pulmonary Disease. IEEE Sensors Journal, 13(11): 4413-4422
Xu, J.Y., Wang, Y., Barrett, M., Dobkin, B., Pottie, G.J., Kaiser, W.J. (2016) Personalized Multilayer Daily Life Profiling Through Context Enabled Activity Classification and Motion Reconstruction: An Integrated System Approach. IEEE Journal of Biomedical and Health Informatics, 20(1): 177-188
Zelun, Z., Poslad, S. (2014) Improved Use of Foot Force Sensors and Mobile Phone GPS for Mobility Activity Recognition. IEEE Sensors Journal, 14(12): 4340-4347
Zheng, Y., Ding, X., Poon, C.C.Y., Lo, B.P.L., Zhang, H., Zhou, X., Yang, G., Zhao, N., Zhang, Y. (2014) Unobtrusive Sensing and Wearable Devices for Health Informatics. IEEE Transactions on Biomedical Engineering, 61(5): 1538-1554