۲-۴-۲-۱-رویکرد مبتنی بر ویدئو
در این سیستم برای ردیابی و تشخیص فعالیت­های فیزیکی دوربین ویدئویی بکار می­رود. این روش اغلب در آزمایشگاه خوب کار می­ کند اما به دلیل آشفتگی و تنوع خیلی مختلف فعالیت­هایی که در محیط­های واقعی اتفاق می­افتد در دستیابی به دقت مشابه در شرایط واقعی به مشکل بر­خورده­اند. بعلاوه حسگرهایی مانند میکروفن و دوربین خیلی گران می­باشند. درنتیجه از آنجا که این دستگاه­ها به عنوان دستگاه­های ضبط کننده بکار می­روند، ممکن است توسط بعضی افراد با مشکلات امنیتی حریم خصوصی مواجه شوند.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

۲-۴-۲-۲-رویکرد مبتنی بر محیط حسگر
این سیستم­ها برای نظات بر تعامل میان کاربران و محیط­های خانه­شان توسعه یافته­اند که این هدف بوسیله توزیع تعدادی از حسگرهای محیطی بخصوص حسگرهای باینری حالت on-off سراسر محیط زندگی فرد بدست آمده است. داده جمع آوری شده بوسیله این حسگرهای محیطی می ­تواند برای تطابق هوشمند محیط در خانه برای ساکنانش مورد استفاده باشند. سیستم­های مبتنی بر حسگرهای محیطی فعالانه فعالیت­های آنها را هر روزه نظارت می­ کند. در این سیستم­ها تعداد زیادی از پارمترها می ­تواند با بکارگیری حسگرهای گوناگون و محدودیت­هایی (اندازه، وزن و توان) از دیگر انواع حسگرها نظارت شود. بنابراین طراحی کلی سیستم را ساده می­ کند. هر چند این سیستم­ها وابسته به زیرساخت هستند و نمی ­توانند بر افراد بیرون خانه نظارت کنند. همچنین آنها مشکلات متمایز کردن فرد نظارت شده و دیگر افراد در خانه را نیز دارند.خانه­های هوشمند یک نمونه از این گونه سیستم­های می­باشند.
۲-۴-۲-۳-رویکرد مبتنی بر حسگرهای پوشیدنی
این سیستم­های طوری طراحی شده ­اند که برای اندازه ­گیری پیوسته داده بیومکانیکی و فیزیولوژیکی بدن در طول فعالیت روزمره با در نظر گرفتن مکان فرد قابل پوشیدن باشند. بنابراین یک جایگزین مناسب برای تشخیص فعالیت­های روزمره انسان بخصوص فعالیت­های فیزیکی بدن هستند. از این رو آنها به افراد متصل می­ شود تا بر فعالیت­های آنها نظارت کنند. حسگرهای پوشیدنی از زیرساخت مستقل هستند و می ­تواند پارامترهای فیزیولوژیکی که بوسیله حسگرهای ویدئویی یا محیطی ممکن قابل اندازه گیری نیستد را اندازه ­گیری کنند. بعلاوه این حسگرها ارزان قیمت بوده و برخلاف حسگرهای ویدئویی آنها مشکل حریم خصوصی افراد را ندارد.
طیفی از حسگرهای متصل به بدن شامل سوئیچ­های الکترومکانیکی، شتاب­سنج، ژیروسکوب، گام شمارها برای گرفتن و آنالیز حرکات انسان درطول زندگی روزمره افراد بکار روند. پیشرفت تکنولوژی در سیستم­های میکروالکترومکانیکی^[۶] باعث کوچک شدن و کم هزینه شدن شتاب­سنج­ها شده است و عموما به عنوان یک ابزار مفید برای ارزیابی حرکت انسان در محیط­های کلینیکی و محیط­های زندگی پذیرفته شده ­اند.
۲-۴-۳-رویکردهای مدل سازی فعالیت انسان
بیشترین رویکردهای مورد استفاده برای مدل­سازی فعالیت انسان شامل HMM و انواع آن که شامل زیر مجموعه­های
(coupled-HMM ,Entropid-HMM)، مدل­های گرافیکی و شبکه ­های پویا بیزی می­باشد [۳۹].
۲-۴-۳-۱–رویکرد استخراج ویژگی
ابتدا سیگنال بدست آمده از حسگر به تعدادی بخش­های زمانی کوچک به نام پنجره­ها تقسیم می­ شود. در هر پنجره یک یا چند ویژگی برای توصیف سیگنال، استخراج می­ شود. این ویژگی­ها سپس به عنوان ورودی الگوریتم­های دسته­بندی استفاده می­شوند که هر پنجره با یک فعالیت مرتبط می­ شود. این ویژگی­ها شامل ناحیه وسیع سیگنال، شتاب
peak-to-peak، مقدار اصلاحی میانگین، مربع میانگین ریشه می­باشند. این نوع ویژگی­ها اغلب برای تمایزگذاشتن میان فعالیت­های پویا و ایستا مورد استفاده­اند.
هدف اصلی استخراج کمترین مقادیر از داده خروجی برای ایجاد یک پیش­گویی خوب این همچنین مفید است برای پشتیبانی تصمیم ­گیری در مورد حذف یک حسگر اگر خواندن یک حسگر ایجاد نمی­کند ویژگی­هایی که اطلاعات خوب ارائه می­ کند پس حذف می­ شود. بطور کلی آنالیز تمام داده ثبت شده برای تشخیص فعالیت غیرضروری است. بنابراین داده ساده خام درون پنجره کوچک قبل از استخراج ویژگی استخراج می­کنیم. به منظور گرفتن اطلاعات بصورت مناسب از اطلاعات انسان و راحت باشد برای محاسبه مبتنی بر FFT از ویژگی­های دامنه-تکرار. طول پنجره مجموعه از خواهد بود. چهار اندازه متفاوت ۳۲، ۶۴، ۱۲۸و ۲۵۶ طول زمان مرتبط است با ۴ طول متفاوت پنجره بطور تقریبی ۱،۲،۴ و ۸٫۵ فرکانس فعالیت روزانه شان بصورت گسترده رنجی از ۱ تا ۱۸ هرتز دارد. بنابراین دوره زمانی۸٫۵ ثانیه می­پوشاند. کاهش بعد ویژگی (که می ­تواند به عنوان عملیات انتخاب ویژگی دیده شود) مهمترین روال قبل از دسته­بندی است. ابتدا بعضی از ویژگی­های بی_­ارتباط یا زاید که نمی­تواند اطلاعات پشتیبانی برای دسته­بندی آموزشی را ارائه کند، حذف
می­شوند. دسته­بندی کننده در فضای ابعاد بالاتر می ­تواند سخت و زمان بر باشد. بنابراین بهترین راه کاهش ابعاد مجددویژگی­ها قبل از انجام عملیات طبقه ­بندی می­باشد. معمولا قبل از اجرای الگوریتم دسته­بندی مراحل زیر انجام
می­ شود[۳۹]:
۲-۴-۳-۲-داده استاندارد وکاهش ابعاد ویژگی
ویژگی­های مورد استفاده بوسیله پژوهشگران برای دسته­بندی فعالیت­های انسان متنوع می­باشد. ویژگی­ها شامل حجم، تکرار، بهم پیوستگی می­باشد. نوع ویژگی حجم شامل ویژگی­هایی است که مبتنی بر مقادیر بزرگی از حسگرها می­باشد. ویژگی­ها در این طبقه بطور گسترده مبتنی بر مقادیر خام از حسگرها می­باشند آنها شتاب محور x، شتاب محور Yو شتاب محور Z می­باشند. ویژگی تکرار شامل ویژگی­هایی است که مبتنی بر مقادیر تکراری حسگر ویژگی­هاست.
ویژگی­های دامنه-زمان: بعضی از پژوهش­ها ویژگی­های دامنه-زمان را از پنجره داده شتاب بدست آورده­اند و معمولا آماری هستند شامل میانه، میانگین، واریانس و انحراف استاندارد، انحراف مطلق میانه وentropy ویژگی­های
دامنه-فرکانس: به منظور بدست آوردن ویژگی­های دامنه-تکرار پنجره ابتدا می­بایست داده حسگر به دامنه – تکرار تبدیل شود که معمولا با بهره گرفتن از FFT^[7]انجام می­گیرد. خروجی FFT یک مجموعه درخت تصمیم می­باشد. این الگوریتم بوسیله امتحان کردن قابلیت تشخیص ویژگی­ها در یک زمان برای خلق یک مجموعه قوائد کار می­ کند که ضرورتا مجهز به یک سیستم دسته­بندی کامل می­ شود. از جمله^[۸]FT و .DCT^[9]سایر ویژگی­ها شامل آنالیز مولفه اصلی، آنالیز تفریق خطی و ^[۱۰]AR, HAAR می­باشند. Wangو همکاران در پژوهش خود ویژگی­هایی از جمله تعداد مشاهدات،
طولانی­ترین بعد­، مجموع مقادیر را مطرح نموده ­اند.
۲-۴-۴-الگوریتم­های تشخیص فعالیت
الگوریتم­های تشخیص فعالیت فعالیت­ها و عملیات­های متفاوت را براساس ورودی­های کاربر دسته­بندی می­ کند [۴۰]. این الگوریتم­ها معمولا یا روی ایستگاه­های کاری^[۱۱] یا موبایل هوشمند کاربر اجرا می­ شود. انتخاب الگوریتم دسته­بندی، مبتنی بر قابلیت پردازش پلت­فرم برای اجرای الگوریتم است. الگوریتم­های دسته بندی نظارت شده^[۱۲] با نمونه­های برچسب شده برای خلق مدل دسته­بندی مجهز می­شوند. سپس مدل برای دسته­بندی داده ­های ورودی مورد استفاده قرارخواهد گرفت. این الگوریتم­ها شامل VN KNN ,SVM ,Decision Tree ,naïve-Bayes و…
الگوریتم­های نیمه نظارت شده^[۱۳] شامل خودیادگیری^[۱۴] و با هم یادگیری^[۱۵] می­باشد [۴۱]. خودیادگیری از یک دسته­بندی کننده برای دسته­بندی داده غیربرچسب­گذاری شده استفاده می­ کند. با هم یادگیری از چندین دسته­بندی کننده برای داده غیربرچسب گذاری شده استفاده می­ کند. در این الگوریتم­ها قسمتی از داده بدون برچسب مورد استفاده قرار می­گیرد.

شکل۲- ۹-مدل­های تشخیص فعالیت [۴۱]
۲-۴-۴-۱-الگوریتم های خوشه­بندی
الگوریتم­های تشخیص فعالیت به دو دسته تقسیم می­شوند اولین مبتنی است بر روش­های یادگیری ماشین شامل
روش­های یادگیری نظارت شده و بدون نظارت [۴۲]. روش­های نظارت شده نیازمند استفاده از داده برچسب­گذاری شده با یک الگوریتم که آموزش شده روال­های عمومی با استفادهاز الگوریتم­های یادگیری نظارت شده برای تشخیص فعالیت شامل چندین مرحله است:

1. 1. بدست آوردن داده نمایشی حسگر ازفعالیت­ها

1. 1. تعیین ویژگی های داده ورودی و نمایش آنها

1. 1. جمع­آوری داده از چندین منبع داده و انتقال آنها به ویژگی­های مستقل ازبرنامه کاربردی

1. 1. تقسیم داده به دو مجموعه آموزشی و آزمایشی

1. 1. آزمایش الگوریتم تشخیص الگوریتم روی مجموعه آموزشی

1. 1. تست عملکرد طبقه ­بندی الگوریتم آزمایش شده روی مجموعه آزمایشی

1. 1. اجرای الگوریم در زمینه تشخیص فعالیت

از جمله این الگوریتم­ها می­توان به Hidden Markov Model ,SVM ,K-NN ,Naïve bayes و… اشاره کرد. سیستم یادگیری غیرنظارت شده برای ساخت مدل­های تشخیص از داده غیربرچسب­گذاری شده استفاده می­ کند. ایده اصلی تشخیص، اختصاص یک احتمال به هر فعالیت ممکن است و تعیین یک مدل اتفاقی^[۱۶] که می ­تواند این احتمال را مطابق مشاهدات جدید و برای دانستن حالت سیستم بِروز کند.
روال عمومی برای یادگیری غیرنظارتی شامل:

1. 1. بدست آوردن داده غیربرچسب حسگر

1. 1. جمع­آوری و انتقال داده حسگر به ویژگی­ها

1. 1. مدل­سازی داده با بهره گرفتن از تخمین کیفیت دیگر یا متدهای کلاس­بندی.