| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Izpis gradiva Pomoč

Naslov:Razpoznavanje vrste aktivnosti uporabnika in prevoznega sredstva s pomočjo vgrajenih senzorjev mobilne naprave
Avtorji:ID Slamek, Rok (Avtor)
ID Potočnik, Božidar (Mentor) Več o mentorju... Novo okno
Datoteke:.pdf MAG_Slamek_Rok_2018.pdf (4,62 MB)
MD5: 1B9F336569188A67D055BB8F462A7D32
PID: 20.500.12556/dkum/ee481f3f-150f-4dee-91b7-851ab5830376
 
Jezik:Slovenski jezik
Vrsta gradiva:Magistrsko delo/naloga
Tipologija:2.09 - Magistrsko delo
Organizacija:FERI - Fakulteta za elektrotehniko, računalništvo in informatiko
Opis:Cilj tega zaključnega dela je izboljšati detekcijo vrst aktivnosti uporabnika in prevoznih sredstev v mobilni aplikaciji MobilitApp. Z uporabo znanih tehnik obdelave signalov in razpoznavanja vzorcev smo razvili dve metodi za detekcijo aktivnosti uporabnika. Prepoznavali smo naslednje aktivnosti: mirovanje, hoja, tek, vožnja s kolesom, motorjem, avtom, avtobusom, metrojem, vlakom in tramvajem. Zgolj z uporabo vgrajenih senzorjev mobilne naprave smo v prvem pristopu zgradili vektor značilnic, ki smo ga uporabili za učenje odločitvenih dreves. V drugem pristopu smo na vhod nevronskih mrež poslali neobdelane podatke iz pospeškometra. Zajemanje podatkov smo zabeležili z video kamero z namenom natančnejše izločitve posameznih delov aktivnosti iz signala. Izvedli smo še študijo, če je kontrolirano zajemanje podatkov z video kamero dejansko potrebno. Naše pristope smo validirali na manjši lastni podatkovni zbirki, ki obsega okrog sedem ur aktivnosti. Podatke smo zajeli s pomočjo treh prostovoljcev in štirih različnih mobilnih naprav. Rezultate smo ovrednotili z različnimi metrikami, s poudarkom na metriki »F1 score«. S pristopom Random Forest je bila metrika »F1 score« 94 %, kar je bolje kot uspešnost obstoječih rešitev iz literature. Naš pristop na osnovi nevronskih mrež se je izkazal nekoliko slabše (»F1 score« je bil 91 %), a še vedno bolje kot najsodobnejše metode iz literature.
Ključne besede:obdelava signalov, razpoznavanje vzorcev, aktivnost uporabnika, prevozno sredstvo
Kraj izida:[Maribor
Založnik:R. Slamek
Leto izida:2018
PID:20.500.12556/DKUM-72257 Novo okno
UDK:004.93(043.2)
COBISS.SI-ID:21873686 Novo okno
NUK URN:URN:SI:UM:DK:R7SJXHEU
Datum objave v DKUM:08.11.2018
Število ogledov:1148
Število prenosov:113
Metapodatki:XML DC-XML DC-RDF
Področja:KTFMB - FERI
:
Kopiraj citat
  
Skupna ocena:(0 glasov)
Vaša ocena:Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
Objavi na:Bookmark and Share



Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Licence

Licenca:CC BY 4.0, Creative Commons Priznanje avtorstva 4.0 Mednarodna
Povezava:http://creativecommons.org/licenses/by/4.0/deed.sl
Opis:To je standardna licenca Creative Commons, ki daje uporabnikom največ možnosti za nadaljnjo uporabo dela, pri čemer morajo navesti avtorja.
Začetek licenciranja:17.09.2018

Sekundarni jezik

Jezik:Angleški jezik
Naslov:User activity and transportation mode recognition using embedded mobile device sensors
Opis:This study aims to improve the recognition of user activity type and transportation mode in the mobile application MobilitApp. By using known signal processing and pattern recognition techniques, we developed two methods to recognize user activities. We were recognizing the following activities: stationary, walking, running, driving on a bicycle, a motorcycle, a car, taking the bus, the metro, the train and the tram. By using embedded mobile device sensors only in the first approach, we built a feature vector that we used to train decision trees. In the second approach, we provided raw data from the accelerometer to the input of a neural network. Data capture was recorded with a video camera in order to precisely identify the individual parts of the activity in the signal. We also did a study to ascertain whether a controlled capture of data with a video camera was, in fact, necessary. We validated our approaches on a smaller database of our own, which covers about seven hours of activity. The data was captured with the help of three volunteers and four different mobile devices. The results were evaluated with different metrics, with an emphasis on the 'F1 score' metric. With the Random Forest approach, the 'F1 score' metric was 94%, which is better than the success of existing 'state-of-the-art' solutions. The performance of our approach based on neural networks was slightly lower ('F1 score' was 91%), but still better than most of the recent methods in the literature.
Ključne besede:signal processing, pattern recognition, user acitivity, transporation mode


Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)
0 - 0 / 0
 
Ni komentarjev!

Nazaj
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici