ВЫБОР ПРИЗНАКОВ ДЛЯ РАСПОЗНАВАНИЯ ФИЗИЧЕСКОЙ АКТИВНОСТИ ЧЕЛОВЕКА В РАМКАХ ТЕЛЕРЕАБИЛИТАЦИОННОЙ СИСТЕМЫ - Проблемы Информационных Технологий

ВЫБОР ПРИЗНАКОВ ДЛЯ РАСПОЗНАВАНИЯ ФИЗИЧЕСКОЙ АКТИВНОСТИ ЧЕЛОВЕКА В РАМКАХ ТЕЛЕРЕАБИЛИТАЦИОННОЙ СИСТЕМЫ - Проблемы Информационных Технологий

ВЫБОР ПРИЗНАКОВ ДЛЯ РАСПОЗНАВАНИЯ ФИЗИЧЕСКОЙ АКТИВНОСТИ ЧЕЛОВЕКА В РАМКАХ ТЕЛЕРЕАБИЛИТАЦИОННОЙ СИСТЕМЫ - Проблемы Информационных Технологий

ВЫБОР ПРИЗНАКОВ ДЛЯ РАСПОЗНАВАНИЯ ФИЗИЧЕСКОЙ АКТИВНОСТИ ЧЕЛОВЕКА В РАМКАХ ТЕЛЕРЕАБИЛИТАЦИОННОЙ СИСТЕМЫ - Проблемы Информационных Технологий

ВЫБОР ПРИЗНАКОВ ДЛЯ РАСПОЗНАВАНИЯ ФИЗИЧЕСКОЙ АКТИВНОСТИ ЧЕЛОВЕКА В РАМКАХ ТЕЛЕРЕАБИЛИТАЦИОННОЙ СИСТЕМЫ - Проблемы Информационных Технологий
ВЫБОР ПРИЗНАКОВ ДЛЯ РАСПОЗНАВАНИЯ ФИЗИЧЕСКОЙ АКТИВНОСТИ ЧЕЛОВЕКА В РАМКАХ ТЕЛЕРЕАБИЛИТАЦИОННОЙ СИСТЕМЫ - Проблемы Информационных Технологий
НАЦИОНАЛЬНАЯ АКАДЕМИЯ НАУК АЗЕРБАЙДЖАНА

№2, 2019

ВЫБОР ПРИЗНАКОВ ДЛЯ РАСПОЗНАВАНИЯ ФИЗИЧЕСКОЙ АКТИВНОСТИ ЧЕЛОВЕКА В РАМКАХ ТЕЛЕРЕАБИЛИТАЦИОННОЙ СИСТЕМЫ

Тарантова Елена С., Макаров Кирил В., Орлов Алексей А.

В статье рассматривается проблема распознавания физической активности человека в рамках телереабилитации. Для распознавания физической активности пациента используются датчики смартфона: акселерометр и гироскоп. Рассматриваются понятие телереабилитации и примерный набор упражнений в рамках реабилитационного мероприятия. Решаются такие задачи, как определение допустимых значений частоты и точности классификации, а также выбор признаков для сокращения вычислительных затрат. Предлагается значение частоты классификации для оценивания корректности выполнения упражнений пациентом с учетом вида активности и группы здоровья пациента. Описан алгоритм выбора подмножества информативных признаков. Проводится эксперимент по выбору подмножества информативных признаков, необходимых для классификации физической активности в телереабилитационной системе, с учетом влияния признаков на точность классификации и вычислительную сложность при их расчете. Производится сравнение результатов классификации с использованием вектора признаков и с использованием подмножества информативных признаков (стр.49-59).

Ключевые слова: извлечение признаков, выбор признаков, проектирование признаков, акселерометр, гироскоп, телереабилитация, распознавание физической активности человека.
DOI : 10.25045/jpit.v10.i2.08
Литература
  • 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.