شناسايي پايدار فعاليت فيزيكي انسان بر اساس سنسورهاي گوشي هوشمند‌

در سال‌‌هاي اخير تشخيص فعاليت فيزيكي انسان از روي داده‌هاي گرفته‌شده توسط سنسورهاي ژيروسكوب و شتاب‌سنج در گوشي هوشمند، مورد توجه پژوهشگران قرار گرفته است. در اين مقاله با به كارگيري روش تحليل مؤلفه‌هاي اساسي، ويژگي‌هايي با بعد پايين و مناسب استخراج شده و كارايي چند طبقه‌بندي‌كننده مختلف شامل ماشين بردار پشتيبان، رگرسيون منطقي، ادابوست و شبكه عصبي كانولوشن براي طبقه‌بندي فعاليت‌ها بررسي و يك سيستم كارا براي اين منظور پيشنهاد شده است. نتايج به دست آمده نشان مي‌دهد كه سيستم پيشنهادي توانسته است دقت تشخيص را نسبت به كارهاي اخير بهبود دهد. يكي از چالش‌هايي كه لازم است در خصوص سيستم‌هاي تشخيص فعاليت مورد توجه قرار گيرد، ميزان پايداري اين سيستم‌ها نسبت به مدل‌هاي مختلف از گوشي‌هاي هوشمند است. با توجه به اين كه كيفيت سنسورها و نويز مرتبط با آنها از يك مدل گوشي به مدل ديگر متفاوت است، بنابراين بررسي ميزان پايداري الگوريتم شناسايي فعاليت در نويزهاي مختلف حايز اهميت خواهد بود. در اين مقاله كارايي و ميزان پايداري طبقه‌بندي‌كننده‌‌ها در سطوح مختلف نويز نيز بررسي شده است. نتايج به دست آمده نشان مي‌دهد كه ماشين بردار پشتيبان با ميانگين دقت 96.34% پايداري بهتري نسبت به نويز در مقايسه با ساير طبقه‌بندي‌كننده‌ها داشته است.