بخشی از مقاله
چکیده
ظهور و پیشرفت دستگاههای هوشمند و سهولت استفاده از آنها و همچنین افزایش روز به روز تنوع و کاربرد حسگرهای پوشیدنی و شبکههای حسگر بیسیم، فرصت مناسبی جهت تشخیص فعالیت انسان با استفاده از دادههای حسگر فراهم آورده است. طبق تعریف تشخیص فعالیت انسان در نظر دارد تا فعالیتهای ساده یا پیچیده صورت گرفته در بازههای زمانی را با دقت مناسبی بدست آورد.
اگر تشخیص فعالیت انسان بطور خودکار و با دقت بالا انجام شود میتوان از آن برای برنامههای کاربردی مختلف مانند مراقبت-های بهداشتی، درمان فعال و پیشگیرانه در خانه، سیستمهای نظارتی خودکار و غیره استفاده کرد. از این رو امروزه تشخیص فعالیت انسان به یک زمینه تحقیقاتی مهم و مورد توجه محققان تبدیل شده است.
یکی از گامهای مهم در تشخیص فعالیت انسان، بکارگیری تکنیکهای طبقهبندی است که تاکنون الگوریتمها و روشهای بسیاری برای این منظور ارائه شده است و همه در صدد تشخیص فعالیت انسان با دقت بالا و در زمان قابل توجه هستند، از این رو در این مقاله به بررسی تکنیکهای طبقهبندی مختلف که جهت تشخیص فعالیت انسان بکار گرفته میشود، پرداخته خواهد شد.
-1 مقدمه
ظهور و پیشرفت روزافزون در زمینه فناوری دستگاههای هوشمند نظیر تلفن های هوشمند، نوتبوک ها و غیره موجب استفاده روزافزون از این وسایل بصورت فراگیر در بین مردم شده است. دسترسی به اینترنت، وجود حسگرهای مختلف، سهولت و عامه بودن استفاده از این دستگاه های هوشمند، وجود منابع و برنامههای کاربردی مختلف سبب شده سیستمهای فراگیر1 به شدت مورد توجه و محبوبیت قرار بگیرد. در رایانش فراگیر2 بسیاری از دستگاههای هوشمند با هم در ارتباط بوده و با یکدیگر همکاری میکنند تا به کاربران در محیطهایشان کمک کنند.
تشخیص فعالیت انسان - HAR - 3، یک زمینه تحقیقاتی مهم و در حال رشد در این حوزه میباشد. در تحقیقات اولیه در این زمینه، بیشتر به مانیتورینگ و آنالیز دادههای دیداری مانند تصاویر و ویدئوها میپرداختند، اما در سالهای اخیر از دادههای حسگرهای چندمنظوره که در محیط هوشمند قرار داده میشوند، جهت تشخیص فعالیتهای ساده و پیچیده استفاده میکنند. تشخیص فعالیت انسان در نظر دارد تا اقدامات صورت گرفته افراد در بازههای زمانی را بدست آورد.
اگر این اطلاعات به درستی بدست آید میتوان از آن برای بهبود اوضاع و اطلاع از شرایط استفاده کرد. به عنوان مثال به بیماران قلبی یا دیابتی توصیه میشود تا یک برنامه تناسب اندام خاصی را بعنوان بخشی از دوره درمانی خود دنبال کنند. بنابراین اطلاعات مربوط به فعالیتهای این بیماران می تواند توسط HAR استنتاج شده و بازخورد آن برای تجزیه و تحلیل در اختیار یک مراقب قرار گیرد. علاوه بر این بیماران مبتلا به عارضههای قلبی یا بیماران آلزایمری میتوانند به منظور جلوگیری از بروز اتفاقات نامطلوب توسط مراقبین مورد نظارت قرار گیرند و هرگونه رفتار غیرعادی بصورت اضطراری به آن ها اطلاع داده شود
یکی از گامهای مهم در HAR، تکنیک طبقهبندی است که برای طبقهبندی فعالیتها و اقدامات مختلف بر اساس ورودیهای کاربر استفاده میشود. الگوریتم طبقهبندی معمولا بر روی یک ایستگاه کاری یا گوشی هوشمند کاربر اجرا میشود. با توجه به محیطی که قرار است تشخیص فعالیت در آن انجام شود، شرایط حافظه و پردازش ایستگاه کاری یا گوشی هوشمند و هدف خاصی که برای تشخیص فعالیت در آن محیط وجود دارد از تکنیکهای طبقهبندی مختلف استفاده شده است که همه در صدد تشخیص فعالیت انسان با دقت بالا و در زمان مناسب هستند. از این رو ما در این مقاله به بررسی تکنیکهای طبقه-بندی انجام شده در این حوزه برای تشخیص فعالیت میپردازیم.
-2 فرایند تشخیص فعالیت
درشکل 1 گامهای اساسی فرایند تشخیص فعالیت نمایش داده شده است که در ادامه به توضیح هر گام میپردازیم.
شکل-1 گامهای اساسی فرایند تشخیص فعالیت
• جمعآوری داده از حسگرها:
معمولا از تکنولوژیهای شبکه حسگری برای دریافت داده از محیط استفاده میشود. حسگرها به افراد یا اشیا متصل میشوند تا دادههای موردنیاز را جمعآوری کنند. حسگرها میتوانند به انسانها متصل شوند از جمله حسگرهای پوشیدنی مانند شتابسنج، ژیروسکوپ، مغناطیسسنج یا دستگاههای پردازش علائم حیاتی مانند: ضربان قلب یا دماسنج یا تگهای .RFID تاکنون تشخیص فعالیت بر اساس حسگرها به صورت گسترده مورد تحقیق و بررسی قرار گرفته است و فعالیتهایی مانند راه رفتن، دویدن و نشستن به سادگی تشخیص داده میشوند.[3-7] در این گام دادهها با استفاده از یک پنجره زمانی4 با طول مشخص و میزان همپوشانی5 خاصی از حسگرها جمعآوری می شود.
• قطعه بندی:
قطعهبندی را میتوان به دو دسته تقسیم کرد: قطعهبندی با همپوشانی و قطعهبندی بدون همپوشانی. در اغلب سیستمهای تشخیص فعالیت معمولا روش قطعهبندی پنجره بدون همپوشانی با اندازه ثابت استفاده می شود. این پیچیدگی محاسباتی قطعهبندی را کاهش میدهد و از این رو یک رویکرد خوب برای زمانی است که داده ها به طور مداوم در طول زمان بازیابی میشوند.
تعیین طول پنجره یک مسئله کلیدی در این گام محسوب میشود که بر صحت تشخیص فعالیت تاثیر بسزایی دارد؛ چون اگر کمتر از میزان مناسب درنظر گرفته شود ، تشخیص فعالیت به خوبی انجام نمیشود. در مقابل اگر پنجره بیش از حد بزرگ تعیین شود، ضمن ایجاد تاخیر در تشخیص، سربار محاسباتی اضافه میکند. قطعهبندی بدون همپوشانی علیرغم سادگی مشکلاتی نیز دارد. بنابراین همپوشانی خاصی نیز برای پنجره ها لازم است تا تغییرات در دادههای دریافتی بخوبی مشخص شوند. ویژگیهای به دست آمده توسط پنجرههای بهینه، اطلاعات بیشتری را برای فاز طبقهبندی در تشخیص فعالیت فراهم میکند
• پیشپردازش:
در این مرحله اگر دادههای جمعآوری شده از حسگرها بیش از حد بزرگ باشد میتوان از فیلترینگ یا ادغام استفاده کرد. در مقابل اگر به سبب برخی محدودیت ها مثل انرژی دستگاه، داده ها دچار کمبودی هستند، می توان تغییراتی را برای اصلاح داده ها انجام داد.
• استخراج ویژگی:
دادههای خام حاصل از حسگرها شامل صفات زیاد، گاها اطلاعات نامربوط و نویز میباشند، بنابراین اطلاعات مفید جهت تشخیص فعالیت بین این داده های خام حسگرها قرار گرفته است. با استفاده از تکنیک استخراج ویژگی میتوان نویزها را حذف کرد و همچنین اطلاعات مفید که برای تکنیکهای طبقهبندی فعالیتها لازم است را بدست آورد. انتخاب ویژگیهای مناسب میتواند به کاهش زمان و حافظه مصرفی برای فرایند تشخیص فعالیت کمک کند، همچنین می تواند افزایش دقت تشخیص فعالیت را نیز به همراه داشته باشد.
علاوه بر این با استفاده از استخراج ویژگی در هر پنجره زمانی، قابلیت جداسازی با استخراج و تجزیه و تحلیل ویژگیهای داده های حسگری در الگوریتمهای طبقهبندی فراهم میشود و در نتیجه امکان شناسایی کلاسهای مختلف فراهم میگردد. روشهای طبقهبندی از یک طیف وسیعی از ویژگیها برای ایجاد بردار ویژگی که نمایانگر هر پنجره اطلاعات حسگری است، استفاده کرده اند سپس از این ویژگیها به عنوان ورودی برای طبقهبندی استفاده شده است. در اینجا به اختصار روشهای کلی استخراج ویژگی که در حوزه تشخیص فعالیت استفاده شده است را بیان شده و در جدول 1 بعضی از این ویژگیها بیان شده است.
الف - ویژگیهای مقداری - ویژگیهای زمانی - : این دسته شامل ویژگی هایی است که مبتنی بر مقادیر حسگرهاست. از جمله این ویژگیها میتوان به مقادیر شتابسنج حول محورx یا محورy یا محور z، میانگین، واریانس، انحراف معیار و ... اشاره کرد.
ب - ویژگیهای فرکانسی: این دسته شامل ویژگیهایی مبتنی بر مقادیر فرکانس سیگنال حسگرهاست. از ویژگیهای رایج استفاده شده در این دسته میتوان به تبدیل فوریه سریع - - FFT، آنتروپی دامنه-فرکانس، ماکزیمم فرکانس، انرژی FFT و ... اشاره کرد.
ج - ویژگیهای زمانی- فرکانسی: بر خلاف تبدیل فوریه که فقط ویژگیها را بر اساس فرکانس سیگنال حسگر استخراج میکند، روشه-هایی مانند آنالیز موجک برای در نظر گرفتن ابعاد زمانی و فرکانسی سیگنال به کار می رود.
د - ویژگیهای همبستگی: در این روش از روابط بین مشخصات محورها یا روابط بین ویژگیها به عنوان بخشی از ویژگیها استفاده میشود.
جدول : - 1 - انواع ویژگیهای استخراجی جهت تشخیص فعالیت
• دستهبندی:
هر گام دستهبندی شامل سه فاز یادگیری8، طبقهبندی9 و برچسب-گذاری10 میباشد. وقتی ویژگیها از دادههای خام حسگری استخراج شد در دسترس یک الگوریتم طبقهبند قرار میگیرد. هر الگوریتم طبقهبندی یک فاز یادگیری دارد که در آن الگوهایی را با استفاده از بردار ویژگی11 دادههای آموزشی بدست میآورد. چون بردارهای ویژگی متفاوتی داریم، الگوهای آموزشی مختلفی هم داریم. پس از اتمام فاز یادگیری، طبقهبند می تواند هر بردار ویژگی نامعلومی را به کلاس فعالیت خاص خودش اختصاص دهد.
در این راستا، الگوریتمهای طبقه بندی مختلفی جهت تشخیص فعالیت انسان استفاده شده است. این الگوریتمها درجه پیچیدگی متفاوتی دارند از سادهترین آنها نظیر: بیز12، درخت تصمیم13، k-means و ... تا پیچیده ترین الگوریتمها نظیر: مدلهای مارکوف 14، شبکه های عصبی15 ، شبکه های فازی و غیره.. در بخش بعدی هر فاز به تفکیک شرح داده شده است و در بخش بعدی نیز الگوریتمها و روشهای طبقهبندی مختلفی که برای تشخیص فعالیت بکار رفته است نیز بیان شده است.
- 1 فاز یادگیری:
بر اساس مشخصههای یادگیری، تکنیکهای طبقهبندی به دو دسته با نظارت16 و بدون نظارت17 تقسیم میشوند. اگر یادگیری بر روی دادههای بدون برچسب و برای یافتن الگوهای پنهان در این دادهها انجام شود، یادگیری بدون نظارت خواهد بود. ولی در یادگیری بانظارت، مجموعهای از جفتهای ورودی - خروجی ارائه شده است و سیستم سعی میکند تا تابعی از ورودی به خروجی را فرا گیرد.
- 2 فاز طبقه بندی:
بر اساس مقاله[11] می توان گفت تمامی تکنیکهای طبقهبندی در صدد حل یک مسئله بهینهسازی هستند. از این رو میتوان آن ها را به دو دسته مولد 18 و متمایزکننده19 تقسیم کرد. طبقه بندهای مولد یک الگوی احتمالی را بر اساس پارامترهای خاص بین داده ها و کلاسها در نظر میگیرد و یک توزیع مشترک روی ویژگیها و کلاسهای مشخص شده تعیین میکند. این مدل می-تواند یک مدل مستقیم یا یک توزیع مشروط دادهها با استفاده از قانون بیز باشد. این دسته از طبقهبندها تلاش میکنند تا پارامترهای اساسی را برآورد کنند و از آن برای بروزرسانی طبقه-بندی دادهها استفاده کنند
