شناسایی پایدار فعالیت فیزیکی انسان بر اساس سنسورهای گوشی هوشمند

در سال های اخیر تشخیص فعالیت فیزیکی انسان از روی داده های گرفته شده توسط سنسورهای ژیروسکوب و شتاب سنج در گوشی هوشمند، مورد توجه پژوهشگران قرار گرفته است. در این مقاله با به کارگیری روش تحلیل مولفه های اساسی، ویژگی هایی با بعد پایین و مناسب استخراج شده و کارایی چند طبقه بندی کننده مختلف شامل ماشین بردار پشتیبان، رگرسیون منطقی، ادابوست و شبکه عصبی کانولوشن برای طبقه بندی فعالیت ها بررسی و یک سیستم کارا برای این منظور پیشنهاد شده است. نتایج به دست آمده نشان می دهد که سیستم پیشنهادی توانسته است دقت تشخیص را نسبت به کارهای اخیر بهبود دهد. یکی از چالش هایی که لازم است در خصوص سیستم های تشخیص فعالیت مورد توجه قرار گیرد، میزان پایداری این سیستم ها نسبت به مدل های مختلف از گوشی های هوشمند است. با توجه به این که کیفیت سنسورها و نویز مرتبط با آنها از یک مدل گوشی به مدل دیگر متفاوت است، بنابراین بررسی میزان پایداری الگوریتم شناسایی فعالیت در نویزهای مختلف حایز اهمیت خواهد بود. در این مقاله کارایی و میزان پایداری طبقه بندی کننده ها در سطوح مختلف نویز نیز بررسی شده است. نتایج به دست آمده نشان می دهد که ماشین بردار پشتیبان با میانگین دقت 34/96% پایداری بهتری نسبت به نویز در مقایسه با سایر طبقه بندی کننده ها داشته است.