20.500.12556/DKUM-97235 Značilke pri razpoznavanju aktivnosti dnevnega življenja v pametnih domovih Features in Recognizing Activities of Daily Life in Smart Homes Slovenija se kot večina razvitih držav sooča s staranjem prebivalstva. Poraja se vprašanje, kako starostnikom zagotoviti varno bivanje v domačem okolju. Tehnološki razvoj na področju senzorskih tehnologij, strojnega učenja in umetne inteligence lahko prispeva k doseganju tega cilja. Sistemi za zaznavanje aktivnosti dnevnega življenja z visoko točnostjo razpoznavajo aktivnosti stanovalcev pametnih domov. Posledično lahko zaznajo motnje pri vsakodnevnem delovanju starostnika, kar lahko kaže na zdravstvene težave. Tovrstni sistemi temeljijo na senzorskih omrežjih in na podlagi aktivacije različnih senzorjev razpoznavajo aktivnosti stanovalcev. Točnost razpoznavanja aktivnosti je odvisna predvsem od kakovosti značilk, ki jih sestavimo iz senzorskih podatkov, in algoritma oz. modela za klasifikacijo, ki ga iz podatkov zgradimo v fazi učenja. V raziskavi se osredotočamo predvsem na izbiranje in izločanje značilk ter proučujemo kako le-to vpliva na končni rezultat razpoznavanja aktivnosti. Analiziramo, pri katerih aktivnostih je točnost razpoznavanja najboljša in pri katerih najslabša. Pri slednjih prikažemo tudi, s katerimi aktivnostmi le-te najpogosteje zamenjujemo. The question arises of how to ensure a safe stay for the elderly in their home environment. Development in sensor technology, machine learning, and artificial intelligence can contribute to achieving this goal. Activities of daily life recognition systems recognize the activities of residents in smart homes with high accuracy. They can consequently detect anomalies in the daily functioning of the elderly, which may indicate health problems. Systems of this type are based on sensor networks and recognize the activities of residents based on the activation of various sensors. The accuracy of activity recognition depends primarily on the quality of the features that are compiled from sensor data and the classification model, which is built from the collection of data in the learning phase. In the presented research, we mainly focus on selecting and extracting features and studying how different features affect the final result of activity recognition. We analyze which activities have the best and which have the worst recognition accuracy. In the latter's case, we also show which activities are most often misidentified. senzorji aktivnosti razpoznavanje aktivnosti strojno učenje klasifikacija sensor activity activity recognition machine learning classification true false true Univerza v Mariboru, Univerzitetna založba Slovenski jezik Angleški jezik Znanstveno delo 2026-02-24 13:54:58 2026-02-24 13:54:58 2026-03-27 15:15:13 0000-00-00 00:00:00 2024 0 Maribor 0 21 št.2 Letn.14 dec. 2024 0000-00-00 Zaloznikova Objavljeno NiDoloceno 2024-02-06 0000-00-00 2024-12-23 004.5 223402755 10.18690/analipazu.14.2.1-21.2024 2820-364X Features_in_recognizing_activit-BaketariC-2024.pdf Features_in_recognizing_activit-BaketariC-2024.pdf 1 75A1244EC994EFE807EF06023D3254E0 0734c37afb39a0dd4a8da7bd54d1b90c17fcd7a7b7c409bd183248c8d4149c58 708052cf-1180-11f1-a1a6-00155d580e1a https://dk.um.si/Dokument.php?lang=slv&id=203771 https://journals.um.si/index.php/anali-pazu/article/view/4801 1 071d6cac-1180-11f1-a1a6-00155d580e1a https://dk.um.si/Dokument.php?lang=slv&id=203769 Univerzitetna založba Univerze v Mariboru Fakulteta za elektrotehniko, računalništvo in informatiko Anali PAZU 0 0 0