Rozpoznávání aktivit za využití umělé inteligence v1.0

Kód výsledku v 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>

Výsledek na webu

<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

—

Jazyk výsledku

čeština

Název v původním jazyce

Rozpoznávání aktivit za využití umělé inteligence v1.0

Popis výsledku v původním jazyce

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.

Název v anglickém jazyce

Activity recognition based on deep learning v1.0

Popis výsledku anglicky

Activity recognition is based on time series analysis of three triaxial accelerometers located on the wrist, ankle and chest. Neural network models are primarily based on a combination of convolutional, recurrent and fully interconnected layers. Time series are pre-processed first - time synchronization, subsampling by various methods and consolidation of the range of values. Figure 1 shows a block diagram of the information flow in the data analysis, including the location of the sensors and the created API. Figure 2 shows a confusion matrix obtained from the test phase of the trained model. Table 1 provides an overview of the performance of the first version of the model during the training, validation and testing phases. The model was trained on data acquired from 12 subjects, validation was performed on data from 3 subjects. The same number of subjects were used during the generalization capability verification.

Druh

R - Software

CEP obor

—

OECD FORD obor

20203 - Telecommunications

Projekt

<a href="/cs/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>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2021

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Interní identifikační kód produktu

ARv1.0

Technické parametry

Parametry rozpoznávání aktivit: Časové okno: 10s Počet aktivit: 4 Rozlišované aktivity: běh, klidová aktivita, chůze a cyklistika Dostupné API: 1

Ekonomické parametry

Data nejsou dostupná.

IČO vlastníka výsledku

00216305

Název vlastníka

Vysoké učení technické v Brně