Endre søk
RefereraExporteraLink to record
Permanent link

Direct link
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annet format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annet språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
A Domain Knowledge-based Solution for HumanActivity Recognition: the UJA Dataset Analysis
Luleå tekniska universitet, Institutionen för system- och rymdteknik, Datavetenskap. (Pervasive and Mobile Computing)ORCID-id: 0000-0002-8752-2375
2018 (engelsk)Konferansepaper, Publicerat paper (Fagfellevurdert)
Abstract [en]

Detecting activities of daily living (ADL) allows for rich inference about user behavior,2 which can be of use in, for example, elderly care, battling chronic diseases, and psychological3 conditions. This paper proposes a domain knowledge-based solution for detecting 24 different4 ADLs in the UJA dataset. The solution is inspired by a Finite State Machine and performs activity5 recognition unobtrusively using binary sensor data only. Each day in the dataset is segmented into:6 morning, day, evening in order to facilitate the inference from the sensors. The model performs the7 ADL recognition in two steps. The first step is to detect the sequence of activities in a given event8 stream of binary sensors, and the second step is to assign a starting and ending times for each of9 detected activities. Our proposed model achieved an accuracy of 81.3% using only a very small10 amount of operations, making it an interesting approach for resource-constrained devices that are11 common in smart environments. It should be noted, however, that the model can end up in faulty12 states which could cause a series of misclassifications before the model is returned to the true state.

sted, utgiver, år, opplag, sider
2018.
HSV kategori
Identifikatorer
URN: urn:nbn:se:ltu:diva-71071OAI: oai:DiVA.org:ltu-71071DiVA, id: diva2:1252541
Konferanse
12th International Conference on Ubiquitous Computing and Ambient ‪Intelligence UCAmI 2018, (IWAAL & AmIHEALTH included)
Tilgjengelig fra: 2018-10-02 Laget: 2018-10-02 Sist oppdatert: 2019-09-06
Inngår i avhandling
1. Unobtrusive Activity Recognition in Resource-Constrained Environments
Åpne denne publikasjonen i ny fane eller vindu >>Unobtrusive Activity Recognition in Resource-Constrained Environments
2018 (engelsk)Doktoravhandling, med artikler (Annet vitenskapelig)
Alternativ tittel[sv]
Diskret Aktivitetsigenkänning i Resursbegränsade Miljöer
Abstract [en]

This thesis discusses activity recognition from a perspective of unobtrusiveness, where devices are worn or placed in the environment without being stigmatising or in the way. The research focuses on performing unobtrusive activity recognition when computational and sensing resources are scarce. This includes investigating unobtrusive ways to gather data, as well as adapting data modelling and classification to small, resource-constrained, devices.

The work presents different aspects of data collection and data modelling when only using unobtrusive sensing. This is achieved by considering how different sensor placements affects prediction performance and how activity models can be created when using a single sensor, or when using a number of simple binary sensors, to perform movement analysis, recognise everyday activities, and perform stress detection. The work also investigates how classification can be performed on resource-constrained devices, resulting in a novel computation-efficient classifier and an efficient hand-made classification model. The work finally sets unobtrusive activity recognition into real-life contexts where it can be used for interventions to reduce stress, sedentary behaviour and symptoms of dementia.

The results indicate that activities can be recognised unobtrusively and that classification can be performed even on resource-constrained devices. This allows for monitoring a user’s activities over extensive periods, which could be used for creating highly personal digital interventions and in-time advice that help users make positive behaviour changes. Such digital health interventions based on unobtrusive activity recognition for resource-constrained environments are important for addressing societal challenges of today, such as sedentary behaviour, stress, obesity, and chronic diseases. The final conclusion is that unobtrusive activity recognition is a cornerstone necessary for bringing many digital health interventions into a wider use.

Abstract [sv]

Denna avhandling diskuterar aktivitetsigenkänning ur ett diskret perspektiv, där enheter bärs eller placeras i miljön utan att vara stigmatiserande eller i vägen. Forskningen fokuserar på att utföra diskret aktivitetsigenkänning när beräknings- och sensor-resurser är knappa. Detta inkluderar att undersöka diskreta sätt att samla in data, samt att anpassa datamodellering och klassificering till små, resursbegränsade enheter.

Arbetet presenterar olika aspekter av datainsamling och datamodellering när man bara använder diskreta sensorer. Detta uppnås genom att överväga hur olika sensorplaceringar påverkar prediktionsprestanda och hur aktivitetsmodeller kan skapas vid användning av en enda sensor eller vid användning av ett antal enkla binära sensorer, för att utföra rörelsesanalys, känna igen vardagliga aktiviteter och utföra stressdetektering. Arbetet undersöker också hur klassificering kan utföras på resursbegränsade enheter, vilket resulterar i en ny beräkningseffektiv klassificeringsalgoritm och en effektiv handgjord klassificeringsmodell. Slutligen sätter arbetet in diskret aktivitetsigenkänning i verkliga sammanhang där det kan användas för interventioner för att minska stress, stillasittande  beteende och symptom på demens.

Resultaten visar att diskret aktivitetsigenkänning är möjligt och att klassificeringen kan utföras även på resursbegränsade enheter. Detta möjliggör övervakning av användarens aktiviteter under längre  perioder, vilket kan användas för att skapa personliga digitala interventioner och tidsanpassad rådgivning som hjälper användarna att göra positiva beteendeförändringar. Sådana digitala hälsointerventioner baserade på diskret aktivitetsigenkänning i resursbegränsade miljöer är viktiga för att ta itu med dagens samhällsutmaningar, såsom stillasittande beteende, stress, fetma och kroniska sjukdomar. En slutsats av arbetet är att diskret aktivitetsigenkänning är en hörnsten som är nödvändig för att få en större användning av digitala hälsointerventioner.

sted, utgiver, år, opplag, sider
Luleå: Luleå University of Technology, 2018
Serie
Doctoral thesis / Luleå University of Technology 1 jan 1997 → …, ISSN 1402-1544
HSV kategori
Forskningsprogram
Distribuerade datorsystem
Identifikatorer
urn:nbn:se:ltu:diva-71073 (URN)978-91-7790-232-4 (ISBN)978-91-7790-233-1 (ISBN)
Disputas
2018-12-11, C305, Luleå Tekniska Universitet, 97187 Luleå, Luleå, 09:00 (engelsk)
Opponent
Veileder
Tilgjengelig fra: 2018-10-16 Laget: 2018-10-15 Sist oppdatert: 2018-12-28bibliografisk kontrollert

Open Access i DiVA

fulltext(192 kB)2 nedlastinger
Filinformasjon
Fil FULLTEXT01.pdfFilstørrelse 192 kBChecksum SHA-512
f0d6d11b9fa9ea3e8909d7466f154c03effc90bf7e4eefba3ae5bb11a923b5d61cc99f2f04851f3ccd7a74ab7f6e83464515827c5dc9cc1e0bdb24bfc98bff7e
Type fulltextMimetype application/pdf

Søk i DiVA

Av forfatter/redaktør
Karvonen, Niklas
Av organisasjonen

Søk utenfor DiVA

GoogleGoogle Scholar
Totalt: 2 nedlastinger
Antall nedlastinger er summen av alle nedlastinger av alle fulltekster. Det kan for eksempel være tidligere versjoner som er ikke lenger tilgjengelige

urn-nbn

Altmetric

urn-nbn
Totalt: 2185 treff
RefereraExporteraLink to record
Permanent link

Direct link
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annet format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annet språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf