Ensemble Classifier Managing Uncertainty in Accelerometer Data within Human Activity Recognition Systems

• Main Authors: Wold, Thomas, Skaugvoll, Sigve André Evensen
• Format: Dissertation
• Language: English

Human activity recognition (HAR) er et forskningsområde med mål om å klassifisere aktiviteter utført av personer ved hjelp av data hentet inn av video eller sensorer festet på kroppen. HUNT er den største helseundersøkelsen i Norge, og har nylig avsluttet den fjerde undersøkelsen, hvor totalt 38 756 personer har deltatt og hatt to sensorer festet på kroppen som har registrert aktivitetsdata i tre akser. HAR systemer krever ofte at alle sensorer er operative og festet til kroppen til en hver tid. På dette grunnlaget viser systemene svakheter ved at det oppstår mye feilklassifiseringer på grunn av uforutsette hendelser, som at sensoren går tom for strøm, montert i feil retning, posisjon eller tatt av under aktivitest registreringen. For å gjøre HAR systemer mer robuste mot dette problemet, forsker denne masteren på bruken av en ny type ensemble classifier, der en meta classifier klassifiserer hvilke sensorer som registrerer gyldig data og eliminerer ugyldig data, før den dynamisk endrer hvilken LSTM-RNN aktivitets klassifiserings modell den gyldige dataen blir sendt til. Den utviklede meta classifieren er trent på ett nytt datasett, ”Sensor no-wear time”, som består av data som ikke er samlet inn under kontrollerte omgivelser, og oppnår en nøyaktighet på 97.2%. Den viser lovende resultater ved å komme med gyldige bidrag til forskning innen folkehelse siden flere dager med feilklassifisering kan bli unngått. Forskningen gjort i denne masteren viser at individuelle klassifiserings modeller for lår og rygg sliter med å klassifisere statiske aktiviteter som sitting og ligging. Modellen for begge sensorene kombinert oppnår en nøyaktighet på 85.1% sammenlignet opp mot det eksisterende systemet som oppnår 76.5%, er derfor det beste alternativet for aktivitets klassifisering, ettersom den klarer å differensiere mellom de statiske aktivitetene. Lagring av aktivitets klassifieserings resultetene med filformatet Feather gir de minste filstørrelsene, og gir en reduksjon fra 2.5 GB til 941 KB per deltager med en enkel komprimerings algoritme. Dette resulterer i en total reduksjon på 99.96%, da nødvendig lagringsplass går fra 96.89 TB til 0.036469396 TB for alle deltagere i HUNT4.