بخشی از مقاله
تشخیص فعالیت در خانه هوشمند با استفاده از شبکه های عصبی
چکیده :
کاربرد تشخیص فعالیت به طور فزاینده ای در برنامه های کاربردی بهداشت و درمان فعـال و پیشـگیرانه در خانـه، محـیط های یادگیری، سیستم های امنیتی و انواع رابطه های انسان و کامپیوتر روبه افزایش است. در این مقاله، یک سیستم برای
تشخیص فعالیت در محیط خانهای که دارای مجموعه ای از سنسورهای سوئیچی و ابزار نمونه برداری تجربی آگاه از مـتن می باشد، پیشنهاد و پیاده سازی شده است. سیستم مذکور با استفاده از روشهای استخراج و انتخاب ویژگـی، ورودی هـای مناسبی را برای قسمت طبقه بند ایجاد میکند. این ویژگی ها طوری انتخاب می شوند تا بیشـترین تـاثیر را در تشـخیص فعالیت داشته و تا آنجایی که امکان دارد به کاهش حجم محاسبات کمک کنند. در این پژوهش از سه نـوع شـبکه عصـبی مصنوعی به عنوان طبقه بند استفاده شده است و برخلاف کارهای گذشته در تشخیص فعالیت، در این پژوهش بدنبال ارائه راه حلی آنلاین و با حجم محاسبات کمتر در تشخیص فعالیت هستیم. نتایج بدسـت آمـده نشـان مـی دهـد کـه سیسـتم پیشنهادی درصد موفقیت قابل توجهی در تشخیص فعالیت کسب کرده است.
واژه های کلیدی : انتخاب ویژگی ، تشخیص فعالیت ، خانه هوشمند ، شبکه عصبی
-1 مقدمه
خانه های هوشمند یک مفهوم در حال ظهور است که نیازمند همکاری سطوح مختلفـی از علـوم و مهندسـی مـی- باشـد. بیش از یک دهه بسیاری از تحقیقات در جهت افزایش بهره وری انرژی در سطح مصـرف کننـده سیسـتم هـای مـدیریت انرژی و تشخیص فعالیت افراد ساکن، در جهت کمک به سیستم سلامت بوده است. اصطلاح خانه- های هوشـمند معمـولا برای یک محل اقامت است که در آن از ادغام تکنولوژی و خدمات از طریق شبکه های خانگی به منظور افزایش بهـره وری برق و بهبود کیفیت زندگی استفاده می شود [1]، [2]، [3]، .[4] سیستم خانه های هوشمند به طور کلی مبـین سیسـتم های مبتنی بر حسگرهاست.
تشخیص فعالیت های انسانی از داده های حسگر خانه هوشمند کاربردهای بسیاری در زمینه محیط های هوشمند 5]،[6 و مراقبت های بهداشتی 7]،8،[9 دارد. فعالیت ها مورد تشخیص می توانـد از جملـه فعالیـت هـای اساسـی زنـدگی روزمـره (ADLs) ماننــد حمــام و دستشــویی رفــتن تــا ADL هــای ابــزاری ماننــد ریــش تراشـیدن و مســواک زدن دنــدان هــا 10]،11،[12 متفاوت باشد.
برخورد معقول با داده ها کار پیچیده ایست. حسگرها عمولاً غیر دقیق بوده و داده ها پر نـویز هسـتند و در صـورت بـروز خرابی در حسگرها،برخی اطلاعات از بین می- روند .[13] روش های یادگیری بـه طـور گسـترده بـرای تبیـین اطلاعـات فعالیت استفاده می شوند، زیرا امکان و توانایی خودکارسازی ایجاد مدل فعالیت از داده های آموزشـی و رسـیدگی بـه داده های حسگر نویزی را توانمند هستند.
این مقاله بدین صورت تنظیم شده است که پایگاه داده مورد استفاده در بخش سوم معرفـی شـده و چگـونگی اسـتفاده از ابزارهای معرفی شده در بخش چهارم و در انتها آنها را بر روی داده های گردآوری شده از خانه هوشمند MIT بکـار مـی-بریم و کارایی و عملکرد آنها را با یکدیگر مقایسه میکنیم.
-2 انگیزه تشخیص فعالیت درخانه هوشمند
بنا به اظهارات اعلام شده توسط سازمان سلامت ایالات متحده آمریکا ، این نهاد فشار مالی شدیدی را متحمـل مـی باشـد. به دلیل آنکه موج اول افراد در سن بازنشستگی در سال 2010 فرا رسیده و انتظار می رود که این وضـعیت بـه سـرعت در حال بدتر شدن باشد .[14] یکی از راه حل های جزئی برای این مشکل میتواند توسعه سیستم هایی باشـد کـه از درمـان بیماری در بیمارستان به ارتقاء حفاظت سلامت و کیفیت در زندگی خانگی تغییر وضعیت میدهـد. نگـه داشـتن مـردم در خانه و خارج از بیمارستان بار مالی موجود بر روی سیستم را کاهش می- دهد. با توجه به آنچه متخصصان امـراض پیـری میگویند، شناسایی تغییرات در رفتار روزمره مانند خواب، آماده سازی غذا، نگهداری منـزل، سـرگرمی و ورزش اسـت کـه اغلب با ارزش تر از اطلاعات بیومتریک برای تشخیص زود هنگام مشکلات سلامت جسمی و روانی اورژانسـی بـه خصـوص برای افراد مسن میباشد .[15] تشخیص مناسب فعالیـت هـای زنـدگی روزانـه بـرای اجـرای بسـیاری از اسـتراتژی هـای پیشنهادی در تشویق رفتارهای سالم مربوط به رژیم غذایی، ورزش، و پایبندی به درمان ضروری خواهد بود.
متخصصان پزشکی بر این باورند که یکی از بهترین راه های تشخیص یک بیماری در حال ظهور قبل از آنکه بحرانی شـود این است که تغییری در فعالیت های روزمره زندگی ADL، ابزار فعالیت های روزمـره زنـدگی [16] IADLs ، و فعالیـت های افزایش یافته زندگی روزمرهEADLs جستجو کنیم .[17] این فعالیت ها شامل غذا خوردن، به رختخواب رفـتن و بلند شدن، استفاده از توالت، حمام کردن و یا دوش گرفتن، لباس پوشیدن، استفاده از تلفـن، خریـد، تهیـه غـذا، نظافـت، شستشوی لباسها، و مدیریت دارو میباشد. اگر توسعه سیستم های محاسباتی ممکـن شـود کـه ایـن قبیـل فعالیـت هـارا تشخیص دهند، این امکان بوجود میآید که محققان توانایی تشخیص خودکـار تغییـرات در الگوهـای رفتـاری کـه باعـث کاهش سلامتی می گردند را دارا باشند. از کاربردهای مهم تشخیص فعالیت در خانه می توان به موارد زیر اشاره کرد:
.1 بهداشت و درمان پیشگیرانه و فعال در منزل:
تشخیص فعالیت های روزمره، سیستم را قادر به نظارت و تشخیص تغییرات در الگوهای رفتاری که ممکن اسـت شـاخص های توسعه شرایط پزشکی جسمی یا روانی باشد، میسازد. همچنین میتواند برای تعیین سطح استقلال افراد مسن، برای درک عوارض جانبی دارو، و تشویق به پایبندی در درمان کمک کند.
.2 تغییر رفتار در نقطه تصمیم گیری:
انگیزه پایبندی به درمان را می توان با شناسایی بهترین زمان برای یادآوری به شخص برای گرفتن دارو بیشتر کرد. تعیین زمانی که فرد پذیرای یک یادآوری است نیاز به درک درستی از فعالیت های ساکنین در طول زمان دارد.
.3 محیط آموزش:
آموزش و اطلاع رسانی به مردم با ارائه اطلاعات در زمان مناسب، زمانی که آنها در طول محیط در حرکـت هسـتند انجـام میپذیرد. دانستن اینکه فرد در حال انجام چه کاری است در تعیین بهترین زمان برای ایجـاد وقفـه بـرای ارائـه اطلاعـات مفید و یا پیام به ساکنین کمک خواهد کرد. برای نمونه کسی در حال تهیه شام میباشد، نشان دهنده فرصت خوبی برای یک سیستم آموزش جهت نشان دادن کلمات مربوط به پخت و پز در یک زبان خارجی است.
.4 ابزار طراحی معماری:
ابزارهای که الگوهای فعالیت را درک میکنند می توانند در فرایند طراحی معماری برای شناسایی و رتبـه بنـدی نیازهـای انسانها و تنظیمات در طول زمان مورد استفاده قرار گیرند. به عنوان مثال، اطلاعات مربـوط بـه الگوهـای جـا بـه جـایی و عملکرد های چندگانه در حال پخت و پز در آشپزخانه می توان جهت کمک به کاربران برای تصمیم گیری طراحی فضـای
جدید آشپزخانه مورد استفاده قرار گیرد. آگاهی از این که یک فرد در حال آماده کردن غذا به طور متوسط دو بار از اجـاق گاز به طرف یخچال و فریزر حرکت میکند میتواند به چیدمان موثر تر وسائل در آشپزخانه کمک کند .[18]
.5 امنیت و سیستم های مدار بسته:
اگر یک سیستم نظارت بتواند یک مدل رفتاری در طول زمان ایجاد کند، به پیش بینی قصد و انگیزه مردمی که با محـیط زیست در تعامل هستند قادر میگردد. علاوه بر این، سیستم ممکن است با مشاهده فعالیـت و تعامـل بـا محـیط در طـول زمان قادر به تعیین هویت مردم نیز گردد.
.6 سیستم های اتوماسیون به منظور انجام موثرتر وظایف خودکار از قبیل روشنایی و کنترل ، برای انجام این امور نیازمند پیش بینـی دقیـق فعالیـت
ها، وظایف و الگوهای تحرک در طول زمان میباشند.
هدف ما ارزیابی و مقایسه کارایی روشهای تشخیص فعالیت در خانه هوشمند با استفاده از شبکههای عصبی در یک خانـه هوشمند واقعی میباشد.
-3 بررسی پایگاه داده MITes
روش های مختلفی برای تشخیص فعالیت های انسانی وجود دارد. برخی از آنها شامل تجزیـه و تحلیـل سـیگنال سنسـور های پیچیده همانند فیلم های دریافتی از دوربین در بینایی کامپیوتر و یا صدای دریافتی از میکروفن در تجزیـه و تحلیـل صحنه شنوایی میباشند. تشخیص فعالیت از این حسگرها نه تنها به خاطر پیچیدگی در آنالیز سیگنال (استخراج ویژگـی) و پیچیدگی های درگیر در تشخیص الگو و الگوریتم های یادگیری ماشین استفاده شده(به ویـژه بـرای عملکردهـای زمـان واقعی). چالش برانگیزاست بلکه علاوه بر این ها، دوربین ها و میکروفن هامعمولاً به عنـوان عناصـر مهـاجم توسـط مـردم درک شده و آنها نمی خواهند آنها را در خانه های خود نصب کنند.
در خانه هوشمند MIT هدف تجزیه کردن فعالیت های انسانی به عنوان یک رشته فعالیتهای سنسور بـاینری اسـت کـه توسط نصب کردن حسگرهایی که در زمان استفاده یا حرکت اشیاء روزمره حساس میشوند.[1]
داده های این مجموعه با استفاده از 77 و 84 حسگر reed switch که در دو آپارتمان تک نفره برای دو هفته نصب بوده است جمع آوری شده است. این حسگرها در اشیاء روزمره ماننـد زیرشـلواری، یخچـال، فریـزر، ظـروف و ... بـرای ذخیـره رویدادهایی از قبیل باز و بسته شدن و یا فعال و غیر فعال شدن رویداد جاسازی شدهاند.
جدول 1 مشخصات مربوط به هر دسته از داده ها را بیان میکند :
