Activity recognition based on deep learning v1.0
The result's identifiers
Result code in IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26620%2F21%3APR36048" target="_blank" >RIV/00216305:26620/21:PR36048 - isvavai.cz</a>
Result on the web
<a href="https://vutbr.sharepoint.com/sites/LabSensNano/NextPerception/Forms/AllItems.aspx" target="_blank" >https://vutbr.sharepoint.com/sites/LabSensNano/NextPerception/Forms/AllItems.aspx</a>
DOI - Digital Object Identifier
—
Alternative languages
Result language
čeština
Original language name
Rozpoznávání aktivit za využití umělé inteligence v1.0
Original language description
Rozpoznávání aktivit probíhá na základě analýzy časových řad tří tříosých akcelerometrů umístěných na zápěstí, kotníku a hrudníku. Modely neuronových sítí jsou primárně založeny na kombinaci konvolučních, rekurentních a plně propojených vrstev. Časové řady jsou nejprve předzpracovány. Dochází tedy k časové synchronizaci, podvzorkování různými metodami a k ucelení rozsahu hodnot. Na Obrázek 1 je zobrazeno blokové schéma informačního toku dat při datové analýze včetně umístění senzorů a vytvořeného API. Na Obrázek 2 je zobrazena matice záměn získána z testovací fáze natrénovaného modelu. V tabulce Tabulka 1 je k dispozici přehled výkonnosti první verze modelu během trénovací, validační a testovací fáze. Model byl trénován na datech získaných od 12 subjektů, validace byla provedena na datech od 3 subjektů. Stejný počet subjektů byl použit během ověření schopnosti generalizace.
Czech name
Rozpoznávání aktivit za využití umělé inteligence v1.0
Czech description
Rozpoznávání aktivit probíhá na základě analýzy časových řad tří tříosých akcelerometrů umístěných na zápěstí, kotníku a hrudníku. Modely neuronových sítí jsou primárně založeny na kombinaci konvolučních, rekurentních a plně propojených vrstev. Časové řady jsou nejprve předzpracovány. Dochází tedy k časové synchronizaci, podvzorkování různými metodami a k ucelení rozsahu hodnot. Na Obrázek 1 je zobrazeno blokové schéma informačního toku dat při datové analýze včetně umístění senzorů a vytvořeného API. Na Obrázek 2 je zobrazena matice záměn získána z testovací fáze natrénovaného modelu. V tabulce Tabulka 1 je k dispozici přehled výkonnosti první verze modelu během trénovací, validační a testovací fáze. Model byl trénován na datech získaných od 12 subjektů, validace byla provedena na datech od 3 subjektů. Stejný počet subjektů byl použit během ověření schopnosti generalizace.
Classification
Type
R - Software
CEP classification
—
OECD FORD branch
20203 - Telecommunications
Result continuities
Project
<a href="/en/project/8A20007" target="_blank" >8A20007: Next generation smart perception sensors and distributed intelligence for proactive human monitoring in health, wellbeing, and automotive systems</a><br>
Continuities
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Others
Publication year
2021
Confidentiality
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Data specific for result type
Internal product ID
ARv1.0
Technical parameters
Parametry rozpoznávání aktivit: Časové okno: 10s Počet aktivit: 4 Rozlišované aktivity: běh, klidová aktivita, chůze a cyklistika Dostupné API: 1
Economical parameters
Data nejsou dostupná.
Owner IČO
00216305
Owner name
Vysoké učení technické v Brně