Metrika

  • citati u SCIndeksu: 0
  • citati u CrossRef-u:0
  • citati u Google Scholaru:[]
  • posete u poslednjih 30 dana:5
  • preuzimanja u poslednjih 30 dana:5

Sadržaj

članak: 2 od 5  
Back povratak na rezultate
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'
bUniverzitet u Beogradu, Elektrotehnički institut 'Nikola Tesla'

e-adresanikolacakic@ieent.org
Ključne reči: prepoznavanje aktivnosti ljudi; kratkotrajni logaritam energije; kumulativna suma; detekcija stanja aktivnosti; IMU senzori; fizičke vežbe
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).
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
 

O članku

jezik rada: srpski
vrsta rada: stručni članak
DOI: 10.5937/zeint28-19587
objavljen u SCIndeksu: 28.12.2018.
metod recenzije: jednostruko anoniman
Creative Commons License 4.0