تشخيص افعال روزمره با استفاده از تلفن همراه و يادگيري عميق

كشف و بازشناسي خودكار افعال روزمره براي تحقق اينترنت اشيا و ارائه خدمات مبتني بر مكان بسيار مهم است. با پيشرفت كمي و كيفي حسگرهاي موجود در تلفن‌هاي همراه هوشمند – و حتي غيرهوشمند – اين دستگاه‌ها به دستگاه‌هاي پايش مداوم و ارزان‌قيمتي تبديل‌شده‌اند كه مي‌توانند به شكل برخط، حركت‌هاي مالكان خود را ثبت كنند؛ اما تشخيص حركت انجام‌شده از روي اين داده‌هاي خام مستلزم وجود روش‌هاي طبقه‌بندي قدرتمند است. تا پيش از ظهور يادگيري عميق تشخيص اين افعال معمولاً بر اساس ويژگي‌هاي دست‌ساز انجام مي‌شد و زمان‌بر بودن استخراج اين ويژگي‌هاي عملاً امكان تشخيص بر خط را منتفي مي‌كرد. ما در اين مقاله سه ساختار عميق را بر روي‌داده‌هاي خام يك دادگان مشهور تشخيص افعال روزمره به نام ActiTrack بكار گرفته‌ايم و افعال شش گانه اين دادگان را با محدود دقت 85 تا 100 درصد طبقه بندي نموده ايم. نتايج حاصل، به‌ويژه در مورد ساختار LSTM از تمام نتايج موجود بهتر است و ثابت مي‌كند كه اين ساختارها مي‌توانند امكان تشخيص بر خط افعال را با دقت بالايي فراهم كنند.