TELEREABİLİTASİYA SİSTEMİ ÇƏRÇİVƏSİNDƏ İNSANIN FİZİKİ FƏALLIĞININ TANINMASI ÜÇÜN ƏLAMƏTLƏRİN SEÇİLMƏSİ - İnformasiya Texnologiyaları Problemləri

TELEREABİLİTASİYA SİSTEMİ ÇƏRÇİVƏSİNDƏ İNSANIN FİZİKİ FƏALLIĞININ TANINMASI ÜÇÜN ƏLAMƏTLƏRİN SEÇİLMƏSİ - İnformasiya Texnologiyaları Problemləri

TELEREABİLİTASİYA SİSTEMİ ÇƏRÇİVƏSİNDƏ İNSANIN FİZİKİ FƏALLIĞININ TANINMASI ÜÇÜN ƏLAMƏTLƏRİN SEÇİLMƏSİ - İnformasiya Texnologiyaları Problemləri

TELEREABİLİTASİYA SİSTEMİ ÇƏRÇİVƏSİNDƏ İNSANIN FİZİKİ FƏALLIĞININ TANINMASI ÜÇÜN ƏLAMƏTLƏRİN SEÇİLMƏSİ - İnformasiya Texnologiyaları Problemləri

TELEREABİLİTASİYA SİSTEMİ ÇƏRÇİVƏSİNDƏ İNSANIN FİZİKİ FƏALLIĞININ TANINMASI ÜÇÜN ƏLAMƏTLƏRİN SEÇİLMƏSİ - İnformasiya Texnologiyaları Problemləri
TELEREABİLİTASİYA SİSTEMİ ÇƏRÇİVƏSİNDƏ İNSANIN FİZİKİ FƏALLIĞININ TANINMASI ÜÇÜN ƏLAMƏTLƏRİN SEÇİLMƏSİ - İnformasiya Texnologiyaları Problemləri
AZƏRBAYCAN MİLLİ ELMLƏR AKADEMİYASI

№2, 2019

TELEREABİLİTASİYA SİSTEMİ ÇƏRÇİVƏSİNDƏ İNSANIN FİZİKİ FƏALLIĞININ TANINMASI ÜÇÜN ƏLAMƏTLƏRİN SEÇİLMƏSİ

Tarantova Yelena S., Makarov Kiril V., Orlov Aleksey A.

Məqalədə telereabilitasiya çərçivəsində insanın fiziki fəallığının tanınması probleminə baxılır. Pasiyentin fiziki fəallığının tanınması üçün smartfonun tənzimləyiciləri istifadə olunur: akselerometr və giroskop. Telereabilitasiya anlayışı və reabilitasiya hadisəsi çərçivəsində tapşırıqların nümunəvi dəstinə baxılır. Klassifikasiyanın tezliyi və dəqiqliyinin mümkün qiymətlərinin müəyyən olunması, həmçinin hesablama xərclərinin ixtisarı üçün əlamətlərin seçimi kimi məsələlər həll edilir. Fəallığın növünü və pasiyentin sağlamlıq qruplarını nəzərə alaraq pasiyent tərəfindən tapşırıqların icrasının düzgünlüyünün qiymətləndirilməsi üçün klassifikasiya tezliyinin qiyməti təklif edilir. İnformativ əlamətlərin alt çoxluğunun seçimi alqoritmi təsvir edilir. Əlamətlərin hesablanması zamanı onun klassifikasiya dəqiqliyinə və hesablama çətinliyinə təsirlərini nəzərə alaraq, telereabilitasiya sistemində fiziki fəallığın klassifikasiyası üçün lazım olan informativ əlamətlər alt çoxluqlarının seçilməsi üçün sınaqlar keçirilir. Əlamətlər vektorundan və informativ əlamətlərin alt çoxluğundan istifadə ilə klassifikasiya nəticələrinin müqayisəsi aparılır (səh.49-59).

Açar sözlər: əlamətlərin çıxarılması, əlamətlərin seçimi, əlamətlərin layihələndirilməsi, akselerometr, giroskop, telereabilitasiya, insanın fiziki fəallığının tanınması.
DOI : 10.25045/jpit.v10.i2.08
Ədəbiyyat
  • Vladzimirskij A.V., Lebedev G.S. Telemedicina, M.: GJeOTAR, Media, 2018, 576 s.
  • Lara O.D., Labrador M.A. A Survey on Human Activity Recognition using Wearable Sensors // IEEE Commun. Surv. Tutorials, 2013, vol.15, no.3, pp.1192–1209.
  • Walse K., Dharaskar R.V. A Survey on Human Activity Recognition using Smartphone // Int. J. Adv. Res. Comput. Sci. Manag. Stud, 2017, vol.5, no.3, pp.118–125.
  • Capela N.A., Lemaire E.D., Baddour N. Feature selection for wearable smartphone-based human activity recognition with able bodied, elderly, and stroke patients // PLoS One. Public Library of Science, 2015, vol.10, no.4.
  • Hasan S.S. et al. Human Activity Recognition using Smartphone Sensors with Context Filtering / ACHI 2016 Ninth Int. Conf. Adv. Comput. Interact. Hum., 2016, vol.571–572, pp. 1019–1029.
  • Attila Reiss (2014). Personalized mobile physical activity monitoring for everyday life. (Doctoral Thesis, Technical University of Kaiserslautern). https://kluedo.ub.uni-kl.de/files/ 3681/ _PhDThesis_AttilaReiss.pdf
  • Jorge Luis Reyes Ortiz (2015).Smartphone-based human activity recognition (Doctoral Thesis, Universitat Politècnica de Catalunya). https://link.springer.com/book/10. 1007%2F978-3-319-14274-6.
  • He Y., Li Y. Physical activity recognition utilizing the built-in Kinematic sensors of a smartphone // Int. J. Distrib. Sens. Networks. SAGE PublicationsSage UK: London, England, 2013, vol.2013, no.4, pp.481–580.
  • Miao F. et al. Identifying typical physical activity on smartphone with varying positions and orientations // Biomed. Eng. Online. BioMed Central, 2015, vol.14, no.1, pp.32–46.
  • Bubnova M.G., Aronov D.M., Bojcov S.A. Obespechenie fizicheskoj aktivnosti u grazhdan, imejushhih ogranichenija v sostojanii zdorov'ja: Metodicheskie rekomendacii. Moskva: Federal'noe gosudarstvennoe bjudzhetnoe Uchrezhdenie «Gosudarstvennyj nauchno-issledovatel'skij centr profilakticheskoj mediciny», 2015, 95 s.
  • Shoaib M. et al. Fusion of smartphone motion sensors for physical activity recognition // Sensors (Switzerland), vol.14, pp.10146–10176, 2014.
  • Morillo L. et al. Low Energy Physical Activity Recognition System on Smartphones // Sensors, 2015, vol.15, no.3, pp.5163–5196.
  • Suryanarayana D. A Comparative Study of Random Forest & K – Nearest Neighbors on HAR dataset Using Caret // Int. J. Innov. Res. Technol, 2017, vol.3, no.9, pp.6–9.
  • Lara Ó.D. et al. Centinela: A human activity recognition system based on acceleration and vital sign data // Pervasive and Mobile Computing. Elsevier, 2012, vol.8, no.5. pp.717–729.
  • Bugdol M.D. et al. Human Activity Recognition Using Smartphone Sensors // International Research Journal of Engineering and Technology, 2016, pp.41–47.
  • Marinho L.B., de Souza Junior A.H., Rebouças Filho P.P. A New Approach to Human Activity Recognition Using Machine Learning Techniques / International conference on Intelligent Systems Design and Applications, Springer, Cham, 2017, pp.529–538.
  • Fan L., Wang Z., Wang H. Human Activity Recognition Model Based on Decision Tree / 2013 International Conference on Advanced Cloud and Big Data. IEEE, 2013, pp.64–68.
  • Zheng Y. Human Activity Recognition Based on the Hierarchical Feature Selection and Classification Framework // J. Electr. Comput. Eng. Hindawi Publishing Corp., 2015, vol. 2015, pp.1–9.
  • Kononenko I. ReliefF for estimation and discretization of attributes in classification, regression, and ILP problems // Artif. Intell: methodology, systems, applications, 1996, pp.1–15.