"Αναγνώριση Ανθρώπινης Δραστηριότητας μέσω Ανάλυσης Δεδομένων από Φορέσιμους Αισθητήρες με Αλγορίθμους Μηχανικής Μάθησης"
Φόρτωση...
Ημερομηνία
Συγγραφείς
Βίννη, Παναγιώτα
Vinni, Panagiota
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών. Τμήμα Πληροφορικής και Τηλεπικοινωνιών
Περίληψη
Τύπος
Είδος δημοσίευσης σε συνέδριο
Είδος περιοδικού
Είδος εκπαιδευτικού υλικού
Όνομα συνεδρίου
Όνομα περιοδικού
Όνομα βιβλίου
Σειρά βιβλίου
Έκδοση βιβλίου
Συμπληρωματικός/δευτερεύων τίτλος
Περιγραφή
Η Αναγνώριση Αθρώπινης Δραστηριότητας (HAR) είναι ένας ταχέως εξελισσόμενος τομέας που αξιοποιεί δεδομένα αισθητήρων και αλγορίθμους μηχανικής μάθησης για την ταξινόμηση και ανάλυση ανθρώπινων κινήσεων. Με την εξάπλωση των φορητών αισθητήρων και των έξυπνων συσκευών, η HAR έχει βρει εκτεταμένες εφαρμογές στην υγειονομική περίθαλψη, την παρακολούθηση της φυσικής κατάστασης, τη φροντίδα ηλικιωμένων και την αλληλεπίδραση ανθρώπου-υπολογιστή. Η παρούσα διατριβή διερευνά το HAR χρησιμοποιώντας δεδομένα που συλλέγονται από φορητούς αισθητήρες και εφαρμόζει διάφορους αλγορίθμους μηχανικής μάθησης για την ταξινόμηση ανθρώπινων δραστηριοτήτων. Συγκεκριμένα, χρησιμοποιήθηκαν τα σύνολα δεδομένων MHEALTH και WISDM, τα οποία υποβλήθηκαν σε ενδελεχή προεπεξεργασία, εξαγωγή χαρακτηριστικών και ταξινόμηση στο περιβάλλον Weka. Έξι μοντέλα μηχανικής μάθησης - το Δέντρο Αποφάσεων, το Τυχαίο Δάσος, η Μηχανή Διανυσμάτων Υποστήριξης (SVM), οι k-κοντινότεροι γείτονες (k-NN), ο Naive Bayes και τα Συνελικτικά Νευρωνικά Δίκτυα (CNN) - αξιολογήθηκαν με τη χρήση 10 Fold Cross Validation. Οι επιδόσεις ταξινόμησης αξιολογήθηκαν μέσω πολλαπλών μετρικών αξιολόγησης, ενώ τα αποτελέσματα απεικονίστηκαν περαιτέρω μέσω heatmaps, Precision – Recall Curves, ROC Curves και Learning Curves για να αποκτήσουν εικόνα
της απόδοσης του μοντέλου. Πραγματοποιήθηκε συγκριτική ανάλυση μεταξύ των δύο συνόλων δεδομένων για τον προσδιορισμό του πιο αποτελεσματικού ταξινομητή για το HAR. Τα ευρήματα δείχνουν ότι το Random Forest και το CNN παρουσίασαν ανώτερες επιδόσεις όσον αφορά την ακρίβεια και την ανθεκτικότητα. Τα αποτελέσματα αυτά συμβάλλουν στην πρόοδο των μεθοδολογιών HAR και αναδεικνύουν τις δυνατότητες της
μηχανικής μάθησης στην ανάλυση δεδομένων φορητών αισθητήρων.
Human activity recognition (HAR) is a rapidly evolving field that leverages sensor data and machine learning algorithms to classify and analyse human movements. With the proliferation of wearable sensors and smart devices, HAR has found extensive applications in healthcare, fitness monitoring, elderly care, and human-computer interaction. This thesis explores HAR using data collected from wearable sensors and applies various machine learning algorithms to classify human activities. Specifically, the MHEALTH and WISDM datasets were used, which were subjected to thorough preprocessing, feature extraction and classification in the Weka environment. Six machine learning models - Decision Tree, Random Forest, Support Vector Machine (SVM), k-Nearest Neighbors (k-NN), Naive Bayes and Convolutional Neural Networks (CNN) - were evaluated using 10 Fold Cross Validation. Classification performance was evaluated through multiple evaluation metrics, and the results were further visualized through heatmaps, Precision - Recall Curves, ROC Curves and Learning Curves to gain insight into model performance. A comparative analysis was performed between the two datasets to determine the most effective classifier for HAR. The findings show that Random Forest and CNN performed superior in terms of accuracy and robustness. These results contribute to the advancement of HAR methodologies and highlight the potential of machine learning in wearable sensor data analysis.
Human activity recognition (HAR) is a rapidly evolving field that leverages sensor data and machine learning algorithms to classify and analyse human movements. With the proliferation of wearable sensors and smart devices, HAR has found extensive applications in healthcare, fitness monitoring, elderly care, and human-computer interaction. This thesis explores HAR using data collected from wearable sensors and applies various machine learning algorithms to classify human activities. Specifically, the MHEALTH and WISDM datasets were used, which were subjected to thorough preprocessing, feature extraction and classification in the Weka environment. Six machine learning models - Decision Tree, Random Forest, Support Vector Machine (SVM), k-Nearest Neighbors (k-NN), Naive Bayes and Convolutional Neural Networks (CNN) - were evaluated using 10 Fold Cross Validation. Classification performance was evaluated through multiple evaluation metrics, and the results were further visualized through heatmaps, Precision - Recall Curves, ROC Curves and Learning Curves to gain insight into model performance. A comparative analysis was performed between the two datasets to determine the most effective classifier for HAR. The findings show that Random Forest and CNN performed superior in terms of accuracy and robustness. These results contribute to the advancement of HAR methodologies and highlight the potential of machine learning in wearable sensor data analysis.
Περιγραφή
Λέξεις-κλειδιά
Αναγνώριση ανθρώπινης δραστηριότητας, Φορέσιμοι αισθητήρες, Ανάλυση δεδομένων, Αλγόριθμοι μηχανικής μάθησης, Human activity recognition, Wearable sensors, Data analysis, Machine learning algorithms
Θεματική κατηγορία
Παραπομπή
Σύνδεσμος
Γλώσσα
el
Εκδίδον τμήμα/τομέας
Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών. Τμήμα Πληροφορικής και Τηλεπικοινωνιών
Όνομα επιβλέποντος
Τζάλλας, Αλέξανδρος
Εξεταστική επιτροπή
Γιαννακέας, Νικόλαος
Τσούλος, Ιωάννης
Τσούλος, Ιωάννης
Γενική Περιγραφή / Σχόλια
Ίδρυμα και Σχολή/Τμήμα του υποβάλλοντος
Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών.
Πίνακας περιεχομένων
Χορηγός
Βιβλιογραφική αναφορά
Ονόματα συντελεστών
Αριθμός σελίδων
153
Λεπτομέρειες μαθήματος
item.page.endorsement
item.page.review
item.page.supplemented
item.page.referenced
Άδεια Creative Commons
Άδεια χρήσης της εγγραφής: Attribution 3.0 United States