Ανάπτυξη μεθόδων αναγνώρισης της κατάστασης του χρήστη με τη χρήση συστημάτων αισθητήρων κινητών τηλεφώνων

• Main Author: Παυλοπούλου, Χριστίνα
• Other Authors: Νικολετσέας, Σωτήρης
• Language: gr
• Published: 2015
• Subjects: Εξαγωγή χαρακτηριστικών; Κατηγοριοποίηση; Αναγνώριση της κατάστασης του χρήστη; 004.167; Feature extraction; Classification; User state recognition
• Online Access: http://hdl.handle.net/10889/8748

Η ανίχνευση καθημερινών φυσικών δραστηριοτήτων είναι πολύ σημαντική σε εφαρμογές όπως η ανάπτυξη αυτοματοποιημένων συστημάτων. Οι αισθητήρες κίνησης προηγουμένως χρησιμοποιούνταν μόνο ως συμπληρωματικές είσοδοι ενώ τώρα χρησιμοποιούνται όλο και πιο συχνά ως η κύρια πηγή δεδομένων για αναγνώριση κάποιας καθημερινής κίνησης. Σε αυτή την εργασία, χρησιμοποιούνται τα επιταχυνσιόμετρα των κινητών τηλεφώνων με σκοπό να αναγνωρισθούν σε πραγματικό χρόνο τέσσερις καθημερινές δραστηριότητες: κάθισμα, περπάτημα, ξάπλωμα, τρέξιμο. Σε αυτή την εργασία, σχεδιάστηκαν 2 νέα υβριδικά πρωτόκολλα που συνδυάζουν δύο άλλες μεθόδους της βιβλιογραφίας με παραμετροποιημένο τρόπο. Στη συνέχεια, τα 2 αυτά πρωτόκολλα υλοποιήθηκαν μέσω της ανάπτυξης Android εφαρμογών. Σύμφωνα με τα αποτελέσματα της αξιολόγησης η οποία έγινε με πραγματικούς χρήστες, οι 2 υβριδικές μέθοδοι επιτυγχάνουν μεγάλη ακρίβεια (έως και 99%), ενώ διατηρούν την κατανάλωση μπαταρίας σε πολύ χαμηλά επίπεδα (μέση κατανάλωση μπαταρίας 874mW). === Detecting daily physical activities is very important in applications such as developing automated comfort scenarios for an individual. Motion smartphone sensors were previously used only as a complementary input whereas now, they are increasingly used as the primary data source for motion recognition. In this work, we use smartphone accelerometers to recognize online four daily human activities: sitting, walking, lying and running. We design two new hybrid protocols combining state of the art methods in a parameterized way. Then, we implement those protocols in the context of Android applications, which we develop. According to our experimental performance evaluation with real users, our hybrid methods achieve very high accuracy (even 99%), while keeping battery dissipation at very satisfactory levels (average energy consumption 874mW).