Multimodal Data Segmentation for in-Home Activity Recognition
| العنوان بلغة أخرى: |
تجزئة البيانات متعددة الوسائط للتعرف على النشاط داخل المنزل |
|---|---|
| المؤلف الرئيسي: | وردات، أنسام محمود (مؤلف) |
| المؤلف الرئيسي (الإنجليزية): | Wardat, Ansam Mahmud |
| مؤلفين آخرين: | الزامل، محمد غازي إبراهيم (مشرف) |
| التاريخ الميلادي: |
2021
|
| موقع: | إربد |
| الصفحات: | 1 - 81 |
| رقم MD: | 1260107 |
| نوع المحتوى: | رسائل جامعية |
| اللغة: | الإنجليزية |
| الدرجة العلمية: | رسالة ماجستير |
| الجامعة: | جامعة اليرموك |
| الكلية: | كلية تكنولوجيا المعلومات وعلوم الحاسوب |
| الدولة: | الاردن |
| قواعد المعلومات: | Dissertations |
| مواضيع: | |
| رابط المحتوى: |
عدد مرات التحميل
6
| المستخلص: |
يهدف التعرف على النشاط البشري إلى التعرف على تسلسل الإجراءات من قبل شخص معين باستخدام أجهزة الاستشعار. اهتمت معظم الأبحاث بالتعرف على الأنشطة المنزلية أوتوماتيكيا باستخدام شكل واحد للبيانات. في حين كان هناك العديد من الجهود المثمرة في نموذج الطريقة الواحدة، فقد بدأت البيانات المتعددة الأشكال مؤخرا في أن تكون محورا مركزيا للعديد من الدراسات. لهذا السبب، كان التعرف على النشاط البشري في حالة البيانات المتعددة الأشكال أكثر صعوبة. في هذه الأطروحة، قمنا بتطوير نموذج تصنيف لتجزئة البيانات متعددة الأشكال للتنبؤ بالأنشطة المنزلية للساكنين في منازلهم قبل حدوثها. تتمثل المساهمة الرئيسية لهذه الأطروحة في توفير إطار عمل للحل حول كيفية دمج أجزاء من البيانات متعددة الأشكال لتصنيف الأنشطة في المنزل. سيتم استخدام هذا التصنيف كأداة التعرف على الأنشطة البشرية في المنزل. تستخدم الطريقة المقترحة تقنيات التعلم الآلي. بعد ذلك، يتم تطبيق تقنية تجزئة البيانات متعددة الأشكال لاستخدام نهج النافذة المنزلقة مع تداخل البيانات، على سبيل المثال، تداخل البيانات لمدة 10 مرات بين جزأين في النوافذ المجاورة. من خلال تطبيق التجزئة مع تداخل البيانات، فإنه يقلل من الخطأ الناجم عن ضوضاء حالة الانتقال. في مرحلة التصنيف، يحتاج النموذج إلى الاختبار والتجريب قبل التشغيل. يتم إجراء التجريب باستخدام بيانات التدريب مع متجهات الميزات. يتم استخدام المعالم المحددة التي تنشئ مجموعات المعالم كمدخلات للتصنيف. تقوم الطريقة بتقييم بعض خوارزميات التصنيف (Bayes Net وNaive Bayes Classifier وNearest Neighbour وSupport Vector Machine و Decision Tables وJ48 و Random Forest). تم إجراء العديد من التجارب لقياس أداء عملية التصنيف (التعرف) باستخدام تجزئة البيانات متعددة الأشكال مقارنة بتقنيتين قياسيتين: البيانات الأصلية والتقطيع المستند إلى النوافذ. أظهرت النتائج أداء ذا دلالة إحصائية للعملية المقترحة مقارنة بالمعايير. أيضا، أجرينا أربع تجارب أخرى لقياس سلوك تقنيات تنظيم القطاعات المختلفة فيما يتعلق بعشرة مصنفات مختلفة معروفة جيدا باستخدام أربعة قياسات أداء مختلفة. كانت هذه التقنيات: المتعلم الأساسي، والتعبئة، والتعزيز، والتثبيت. كان التحليل مهما جدا لإظهار سلوك المصنفات المختلفة، مما يسمح للمستفيدين بالاختيار من بين هذه المصنفات بناء على أدائهم. أخيرا، وفقا للنتائج السابقة، يمكننا أن نستنتج أن التقنية المقترحة حققت أداء مقبولا مقارنة بالطرق القياسية للتعامل مع الطرق المتعددة. أظهرت النتائج أننا واثقون بنسبة 95% من أن تقنية التجزئة متعددة أشكال البيانات يتم أداءها بشكل أفضل مقارنة بالتقنيات الأخرى. علاوة على ذلك، لاحظنا أن المنهجية المقترحة حققت أداء متقلبا من حيث الاسترجاع والدقة والقياس f ومنطقة roc بناء على نوع تنظيم المقطع (متعلم أساسي، وتعبئة، وتعزيز، وتكديس). |
|---|
عناصر مشابهة
-
Dynamic-Segmentation Based Technique for Human Activity Recognition Using Tri-Axial Accelerometer Data
بواسطة: ملكاوي، أنسام علي منشور: (2021) -
Step Detection, Distance Estimation and Noise Segmentation Using Smartphone Sensor Data
بواسطة: النعيمات، رامى محمود منشور: (2019) -
Home Automation Based on Android System Using Artificial Neural Network with GSM Notification
بواسطة: راضي، ساره عباس منشور: (2017) -
A Transfer Learning Based Technique For Activity Recognition In Smart Homes
بواسطة: الخطيب، خالد منشور: (2018) -
Genetic Algorithm Based Feature Selection Technique for Human Activity Recognition Using Tri-Axial Accelerometer Data
بواسطة: عبيدات، لبنة حسين منشور: (2021)
