کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4957463 1364758 2017 49 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Adaptive sliding window segmentation for physical activity recognition using a single tri-axial accelerometer
ترجمه فارسی عنوان
تقسیم بندی پنجره کشویی انعطاف پذیر برای تشخیص فعالیت بدنی با استفاده از یک شتاب سنج تک محوری
کلمات کلیدی
به رسمیت شناختن فعالیت نمودار انتقال فعالیت، پنجره کشویی انعطاف پذیر، تقسیم سیگنال،
ترجمه چکیده
مطالعات قبلی در مورد شناسایی فعالیت های فیزیکی از اندازه های مختلف ثابت پنجره برای تقسیم بندی سیگنال برای هدف گیری فعالیت های خاص استفاده کرده اند. به طور طبیعی، یک اندازه پنجره مطلوب بسته به ویژگی های سیگنال های فعالیت متفاوت است و اندازه پنجره ثابت باعث تقسیم خوب برای تمام فعالیت ها نمی شود. این مقاله روش جدیدی را برای تقسیم بندی سیگنال فعالیت برای شناخت فعالیت بدنی ارائه می دهد. به نظر مرکزی این است که اندازه پنجره به صورت انطباق با توجه به احتمال سیگنال متعلق به یک فعالیت خاص برای رسیدن به تقسیم بندی موثر است. علاوه بر این، یک نمودار انتقال فعالیت برای تشخیص فعالیت برای اعتبارسنجی انتقال فعالیت و بهبود دقت تشخیص ایجاد شده است. الگوریتم تقسیم بندی پنجره کشویی سازگار و نقش دیاگرام انتقال فعالیت در زمینه تشخیص فعالیت فیزیکی شرح داده شده است. این رویکرد، نه تنها فعالیت های استاتیک و پویا را به خوبی تعریف می کند بلکه فعالیت های گذار را نیز به رسمیت می شناسد. رویکرد ارائه شده، با استفاده از داده های داخلی و عمومی که شامل سیگنال های فعالیت فعالیت های پویا، استاتیک و انتقالی است، با استفاده از رویکرد موجود از لحاظ پیشرفته، ارزیابی و مقایسه می شود. نتایج نشان می دهد که تقسیم بندی پنجره های تطبیقی ​​کشویی، دقت کلی 4/95٪ را در تمام فعالیت های مورد نظر در آزمایشات نسبت به رویکرد موجود به دست می دهد که دقت کلی 89.9٪ را به دست می دهد. رویکرد پیشنهادی با دقت کلی 96.5٪ در مقایسه با 91.9٪ دقت کلی با رویکرد موجود در هنگام آزمایش در مجموعه داده های عمومی به دست آمد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر شبکه های کامپیوتری و ارتباطات
پیش نمایش مقاله
تقسیم بندی پنجره کشویی انعطاف پذیر برای تشخیص فعالیت بدنی با استفاده از یک شتاب سنج تک محوری
چکیده انگلیسی
Previous studies on physical activity recognition have utilized various fixed window sizes for signal segmentation targeting specific activities. Naturally, an optimum window size varies depending on the characteristics of activity signals and fixed window size will not produce good segmentation for all activities. This paper presents a novel approach to activity signal segmentation for physical activity recognition. Central to the approach is that the window size is adaptively adjusted according to the probability of the signal belongs to a particular activity to achieve the most effective segmentation. In addition, an activity transition diagram for activity recognition is developed to validate the activity transition and improve recognition accuracy. The adaptive sliding window segmentation algorithm and the role of activity transition diagram are described in the context of physical activity recognition. The approach recognizes not only well defined static and dynamic activities, but also transitional activities. The presented approach has been implemented, evaluated and compared with an existing state-of-the-art approach by using internal and public datasets which contains activity signals of dynamic, static and transitional activities. Results have shown that the proposed adaptive sliding window segmentation achieves overall accuracy of 95.4% in all activities considered in the experiments compared to the existing approach which achieved an overall accuracy of 89.9%. The proposed approach achieved an overall accuracy of 96.5% compared to 91.9% overall accuracy with the existing approach when tested on the public dataset.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pervasive and Mobile Computing - Volume 38, Part 1, July 2017, Pages 41-59
نویسندگان
, , ,