تحليل عملكرد يادگيري عميق براي تفكيك حالات حركتي در فناوري پايش فعاليت هاي انسان به كمك حسگر هاي پوشيدني

Deep learning performance analysis to distinguish motor states In the technology of monitoring human activities with the help of wearable sensors

امروزه پايش فعاليتهاي فيزيكي انسان توسط حسگرهاي پوشيدني به يكي از مهمترين زمينه هاي تحقيقاتي در حيطه مهندسي پزشكي بدل شده است. يك چالش مهم در اين فرآيند، بهبود عملكرد طبقه بندهاي مبتني بر يادگيري ماشين براي تشخيص و تفكيك نوع فعاليت هاي انسان از روي سيگنال ثبتي اين حسگرها مي باشد. در اين مقاله چگونگي جداسازي ويژگي هاي رفتاري انسان با استفاده از مفهوم يادگيري عميق تحليل مي شود. بدين منظور روش شبكه هاي عصبي كانولوشني براي طبقه بندي سيستماتيك چهار رفتار از قبل تعريف شده شامل خوابيدن، دويدن، اتوكشيدن و دوچرخه سواري استفاده شده و نتايج آن با روش مبتني بر شبكه هاي عصبي كلاسيك مقايسه شده است. نتايج حاصل از مقايسه اين دو راهكار، حاكي از آن است كه استفاده از يادگيري عميق، به طور متوسط قادر است نتايج حاصله را در حدود 5/13درصد بهبود بخشد.

Today, the monitoring of human physical activity by wearable sensors has become one of the most important fields of research in the field of medical engineering. An important challenge in this process is to improve the classroom performance based on machine learning for detecting and distinguishing human activities from the signaling of these sensors. In this paper, how to isolate human behavioral characteristics through the concept of deep learning is analyzed. For this purpose, the method of convolutional neural networks is used to systematically categorize four predefined behaviors including sleep, running, and decompression and cycling, and its results are compared with the method based on the classic neural networks. The results from the comparison of these two strategies suggest that using deep learning, on average, can improve the results by about 13.5%.